Apr, 2023

元学习认知模型

PDF
TL;DR本研究综合了先前的工作，旨在建立一个关于 cognition 的 meta-learned 模型的研究计划，证明 meta-learning 可以用于构建 Bayes-optimal learning algorithms，实现对 cognitive theories 的更加广泛的范围的建模
发现论文，激发创造
  • 自然和人工智能中的元学习

    该综述旨在利用元学习的视角重新审视生物智能研究领域中的既有研究，并将这些工作放入同一框架中进行，同时讨论 AI 和神经科学之间的最新交互点以及从这种视角出发出现的有趣新方向。

    Nov, 2020

  • 元学习最近进展的综述和调查

    该论文回顾了元学习的概念和应用，其与深度学习的不同之处在于其能够适应于少量高维数据集，可以用于模型自适应，可不断自我完善实现高度自主的人工智能。元学习不断发展创新，不同的发展方法已有不同的应用和研究方向，进一步拓展了机器学习的应用领域。

    Apr, 2020

  • 元学习：一次综述

    元学习是通过系统观察不同的机器学习方法在各种学习任务上的表现，然后从这种经验或元数据中学习，以比以前快得多地学习新任务的科学。本章提供了该领域不断发展、令人着迷的最新概述，不仅可显著加速和改善机器学习流水线或神经结构的设计，还可以用数据驱动的方式学习新方法以取代手工设计的算法。

    Oct, 2018

  • 神经网络中的元学习：一份调查报告

    该文总结了元学习（或学习 - 学习）领域的现状，旨在通过改进学习算法本身来解决深度学习中包括数据和计算瓶颈在内的传统挑战，并提出了一种更全面的元学习方法分类，并重点介绍了几个应用领域，如少样本学习和强化学习，并讨论了未来研究的未解决的问题和有前景的方向。

    Apr, 2020

  • Awesome-META+: 元学习研究和学习平台

    Awesome-META + 是一个元学习框架集成和学习平台，它提供一个完整和可靠的元学习应用和学习平台，旨在解决元学习的当前瓶颈问题，推动其发展并扩大社区，并适用于多领域任务。

    Apr, 2023

  • 元学习需要元增强

    本文提出了 Meta-Learning 中的过拟合问题，并使用信息理论框架讨论基于元学习数据增强的方法来解决这个问题。实验证明，该方法对最近提出的元规则技术有很大的补充作用。

    Jul, 2020

  • 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

  • 元神经协同

    本论文通过 meta-learning 和神经协调的方法提出了一种新的途径，解决了深度神经网络的不确定性和在新环境中适应的问题，从而达到构建具有自主智能的机器的目的。

    May, 2023

  • 当元学习遇上在线和持续学习：一项综述

    通过提供一份综合调查报告，有组织地使用一致的术语和形式描述，本文旨在促进这个有前景的研究领域的进一步发展。

    Nov, 2023

  • 基于扩展 PAC-Bayes 理论调整先验知识的元学习

    提出了基于一般化误差界的元学习框架，通过构建学习任务的假设分布，并在新任务上使用以经验为依据的先验知识进行学习，我们可以在捕捉学习任务公共结构的同时保证学习者灵活地适应新任务的不同方面，通过深度神经网络的数值实验来证明元学习的基于梯度的算法的有效性，并演示了在网络不同层次上体现先验信息的直观方式。

    Nov, 2017