Jul, 2023

元学习的进展与挑战：技术综述

HTML
PDF
TL;DR元学习在多任务学习、迁移学习、领域适应和持续学习等方面发挥重要作用，本文综述了元学习的技术概览，并强调了其在现实应用中对数据稀缺或昂贵的重要性，并突出了元学习与多任务学习、迁移学习、领域适应和持续学习之间的关系。此外，本文还探讨了元学习的其他高级话题，并强调了该领域未来研究的开放问题与挑战。通过综合最新的研究进展，本文全面阐述了元学习及其对各种机器学习应用的潜在影响。我们相信，这个技术概览将有助于推动元学习及其在解决现实世界问题中的实际应用。
发现论文，激发创造
  • 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

  • 重新审视元学习作为监督学习

    本文提出了一个基于对元学习与传统监督学习之间联系的重新审视和加强的原则性统一框架，通过把任务特定数据集和目标模型看作（特征、标签）样本，我们可以把许多元学习算法归约到监督学习的实例中，进一步提高了元学习的表现。

    Feb, 2020

  • 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

  • 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

  • 跨越多任务学习和元学习: 迈向高效训练和有效适应

    本论文研究了多任务学习（MTL）与基于梯度的元学习（GBML）之间的关系，通过理论和实证研究证明了它们在优化公式和学习到的预测函数上的相似性，并通过样例展示了MTL作为一阶方法可以代替计算代价高的二阶方法——GBML，在大规模数据集上训练时更加有效。

    Jun, 2021

  • 自然语言处理的元学习综述

    这篇综述论文介绍了自然语言处理领域中元学习的概念和应用，指出当前技术需要更多的标注数据和适用域限制，而元学习技术则旨在提高学习算法的数据效率和适用范围，在NLP任务中表现出了显著的效果。此外，该论文总结了元学习在NLP中的任务构建、问题应用和发展趋势，为研究人员提供了相关工作的指导和吸引更多研究关注。

    May, 2022

  • 医疗中的元学习：一项调查

    元学习在医疗保健领域的广泛应用以及其解决关键医疗挑战的方法进行了综述，并对元学习研究中的当前挑战、潜在解决方案和未来展望进行了讨论。

    Aug, 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

  • 领域泛化通过元学习: 一项调查

    深度神经网络在人工智能领域带来了革命性的进展，但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布，然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法，通过获取可传递的知识来快速适应各种任务，从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法，全面调查了元学习在领域泛化方面的贡献，详细介绍了该领域的基础知识，并提供了关于未来研究方向的实践见解和深入讨论。

    Apr, 2024

  • 从学习的视角重新思考元学习

    本研究解决了元学习中模型在训练任务上过拟合的问题。通过重新审视元学习的算法过程，提出了一种基于任务关系的优化校准方法——任务关系学习器（TRLearner），该方法利用任务特定的元数据来指导优化，实现了更好的泛化能力。实验和理论分析表明，TRLearner在减少过拟合和提高任务适应性方面表现出色。

    Sep, 2024