May, 2022

基于集合的少任务元学习元插值

PDF
TL;DR提出了一种利用神经集函数和双层优化，通过任务插值来加强元训练任务分布，以提高泛化性能的新颖领域不可知任务增强方法 Meta-Interpolation，并在跨越图像分类、分子属性预测、文本分类和语音识别等多个领域的实验中进行了验证，结果表明 Meta-Interpolation 始终优于相关基线方法。
meta-learningtask augmentationneural set functionsbilevel optimizationgeneralization
发现论文，激发创造
  • 通过任务插值实现更少任务的元学习

    本文提出了一种通过任务插值来扩充任务集的元学习方法（MLTI），通过该方法可以实现更好的泛化性能，从而在多个数据集上显著优于当前最先进的策略。

    Jun, 2021

  • TaskMix: 口语意图理解元学习的数据增强

    本论文探讨了元学习在传递相关任务的知识方面的研究方向，发现在低任务多样性下，最先进的数据增强方法会恶化过拟合问题；为此，提出了一种称为 TaskMix 的简单方法以缓解过拟合问题和改善性能。

    Sep, 2022

  • 通过任务增强提高元学习的泛化能力

    该研究提出了 MetaMix 和 Channel Shuffle 等两种元学习任务增广方法，以提高元学习的泛化能力。实验结果显示这两种方法都能显著提高元学习在多个数据集上的表现，并且与现有元学习算法兼容。

    Jul, 2020

  • 具有困难感知的不平衡数据序列元学习

    针对实际情况中任务分布动态变化和不均衡，本研究提出了一种基于核方法的领域变化检测和难度感知内存管理机制。同时，还引入了一种高效的自适应任务采样方法，最终在新的基准测试中得到了非常好的效果。

    Sep, 2021

  • 基于生成模型中的潜空间插值实现无监督元学习

    本文提出一种基于生成模型的元任务生成方法，称为 LAtent Space Interpolation Unsupervised Meta-learning (LASIUM)，通过从潜在空间中生成分组成群的对象，构建元任务的训练和验证数据，应用于少样本分类任务中的实验表明其性能优于或与当前无监督学习基线相竞争，并且该方法不需要手工调整，扩展性高。

    Jun, 2020

  • 元学习跨元任务进行少样本学习

    本文提出了利用元任务之间的关系来辅助元学习的方法，分别考虑了在两种类型的元任务对上的关系，并提出了不同的策略来利用它们：1）有不相交类集的两个元任务，2）有相同类集的两个元任务，并给出了相应的新学习目标。然而由于实验中的一些错误，我们选择撤回本文。

    Feb, 2020

  • 探索任务内部关系以改善元学习算法

    通过选择多样的任务进行小批量处理，我们研究利用任务关联的外部知识来改善训练稳定性，进而减少训练中的噪音。

    Dec, 2023

  • 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

  • 通过对抗任务增强的跨领域少样本分类

    针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

    Apr, 2021

  • MetaMixUp: 使用元学习学习 MixUp 的自适应插值策略

    本文提出了一种名为 MetaMixUp 的数据增强方法，该方法通过在线元学习动态学习插值策略，可用于模型正则化、半监督学习和领域自适应，实验证明 MetaMixUp 比原始的 MixUp 和其变体在半监督学习配置下效果更好。

    Aug, 2019