ICLRJul, 2020

少样本学习的概念学习器

PDF
TL;DRCOMET 是一种元学习方法，通过学习沿着可解释的人类概念维度的模式知识，从而改进泛化能力，而不是学习一个联合的无结构度量空间。在各种领域中的少样本任务中，COMET 的表现优于强元学习基线，且提供模型预测背后的解释。
meta-learningfew-shot learninghuman-interpretable conceptsstructured metric spacesgeneralization ability
发现论文，激发创造
  • 深度元学习：在概念空间中学习学习

    通过引入深层元学习作为组成部分，将深度学习的表示能力融入到元学习中，通过建立一个刻画高级概念的表征空间，可以有效地改进原先的元学习算法，从而实现对于各种少样本图像识别问题中识别率的提升。

    Feb, 2018

  • Few-shot 学习的元学习方法：最新进展综述

    该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

    Mar, 2023

  • 基于元度量学习的小样本学习

    本文提出一种基于元度量学习的学习方法，在 $k$-shot $N$-way 和多样化领域任务及灵活标签数量等新设置中均具有优异性能。

    Jan, 2019

  • 无监督学习组合能量概念

    本论文提出 COMET 方法，利用能量函数来表示全局和局部因素，并通过图像重新组合进行无监督发现概念，最终能够泛化未知的视觉概念，并与其他数据集进行概念组合。

    Nov, 2021

  • MetaReVision: 具有视觉依据的组合概念获取的检索元学习

    MetaReVision 是一个检索增强元学习模型，用于解决基于视觉感知的构成概念学习问题。该模型由检索模块和元学习模块组成，通过从已检索的基本概念中学习来支持元训练视觉 - 语言模型，以识别构成概念。MetaReVision 通过元学习从构建的检索集中学习出一种通用的构成表示，可以快速更新以识别新的构成概念。实验结果表明，MetaReVision 在构成学习过程中胜过其他竞争基准，并且检索模块在此过程中起重要作用。

    Nov, 2023

  • 一种用于定制模型训练的元学习方法

    本文提出了一种联合训练方法，将迁移学习和元学习相结合，从而在少分类、少样本以及多分类、多样本任务中均可获得更好的泛化性能。

    Sep, 2018

  • 无需记忆的元学习

    通过信息理论设计的元正则化目标，可以使元学习器在任务训练数据和任务测试数据之间有效地适应，成功地使用来自非相互排斥任务的数据来有效地适应新任务，并在应用场景中大幅优于标准元学习算法。

    Dec, 2019

  • 用对抗性类别存储进行连续少样本学习

    本文定义了一个新问题：不断出现的少样本学习；提出了 Continual Meta-Learner 来解决此问题，并在 MiniImageNet 和 CIFAR100 两个图像数据集上进行了广泛实验，表明 CML 在少量样本学习任务的分类准确性方面实现了现有最先进水平并避免了灾难性遗忘。

    Jul, 2022

  • 元学习基准测试：Meta Omnium

    本文介绍了 Meta Omnium 数据集，并使用其来评估少样本元学习算法的能力，实验证明 Meta Omnium 可用于学习各种视觉任务，是一个用于元学习研究的有用工具。

    May, 2023

  • 元学习以复合泛化为目标

    自然语言是组成的，神经网络在组成泛化方面表现差， 自相似度驱动的元学习可提高自然语言处理模型的组成泛化能力。

    Jun, 2021