May, 2023

卷积神经网络分类中的自动学习算法选择

PDF
TL;DR本文介绍一种基于元学习的分类器自动选择算法，通过使用卷积神经网络直接学习表格数据的内在结构，来提高二元分类的性能，并在模拟和真实数据集上实验证明，这种方法优于基于元特征的传统两步方法。
meta-learningclassifier selectionconvolutional networksbinary classificationalgorithm selection
发现论文，激发创造
  • 自适应贝叶斯线性回归在自动化机器学习中的应用

    本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

    Apr, 2019

  • 从学习到元学习：减少通信系统培训开销和复杂性

    该论文介绍了元学习的概念及其在通信系统中的应用，其中，元学习可以通过选择合适的归纳偏置，将训练过程中需要的数据和时间复杂度降至最小。

    Jan, 2020

  • 一个简单的神经注意力元学习器

    本文提出一种使用时间卷积和软注意力的简单而通用的元学习器结构，命名为 SNAIL， 在广泛的元学习实验中实现了表现显著优于现有技术，并获得了当前最先进的性能。

    Jul, 2017

  • 基于元学习的自编码器进行少样本预测

    使用 meta-recognition 模型通过 autoencoder 方法，学习简洁的模型代码，并通过 meta-generative 模型构建任务特定模型参数，实现比 fine-tuned 基线网络更低的损失和与最先进的元学习算法相匹配的性能，同时还能够识别对模型预测有影响的训练样本和预测获取哪些附加数据将对改善模型预测最有价值。

    Jul, 2018

  • 元网络

    本文介绍了一种新的元学习方法 Meta Networks（MetaNet），它通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，同时保持了以前所学的性能表现，在 Omniglot 和 Mini-ImageNet 基准测试中，我们的 MetaNet 模型实现了接近人类水平的表现，并在准确性上优于基线方法高达 6％。我们展示了 MetaNet 的几个有吸引力的性质，如泛化和持续学习。

    Mar, 2017

  • Auto-Meta: 自动化基于梯度的元学习搜索

    研究表明，自动化架构搜索与基于梯度的元学习相结合，能够优化元学习器，使用此技术，预测准确率提高了 11.54%，在五次样本五种类的迷你图像分类问题中，最终的元学习器达到了 74.65％的准确率，是目前最先进的结果之一，也是在元学习背景下第一个成功的神经架构搜索。

    Jun, 2018

  • 构建无监督异常检测的元学习器

    该研究提出了一种新的元学习方法，通过使用从未标记的输入数据集生成的元特征，识别出适当的无监督异常检测算法。该方法的性能优于现有的解决方案，并使用超过 10000 个数据集进行了混合模型统计分析，结果表明相对较少的元特征就足以识别合适的无监督异常检测算法，但在元学习器中选择元模型具有相当大的影响。

    Apr, 2023

  • 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

  • 使用强化学习设计神经网络结构

    使用元建模算法 MetaQNN 根据强化学习自动生成高性能卷积神经网络 (CNN) 结构，可以在图像分类基准测试中击败同层级别的现有网络，并且相比其他网络设计元建模方法具有更好的效果.

    Nov, 2016

  • 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