Jul, 2023

元学习和预测提前期

PDF
TL;DR我们提出了一种元学习方法（FEML），利用来自其他数据集的样本通过对抗学习作为辅助任务来增强目标数据集的时间序列，同时展示了 FEML 可以在数据集之间进行元学习，并通过对目标数据集进行辅助样本的对抗生成学习，改善了预测性能，相较于单一任务学习和来自联合学习、多任务学习和经典预测基准的各种解决方案。
time seriesmeta learningadversarial learningforecasting performancemulti-task learning
发现论文，激发创造
  • 应用于零样本时间序列预测的元学习框架

    本文基于广泛的元学习框架提供了积极的证据，证明元学习能够发现处理时间序列的通用方法，从而大幅提高其在来自不同数据集的新 TS 上的泛化能力。通过许多数据的实验结果和理论分析可以发现，在成功的零 - shot 单变量预测中，元学习机制的重要性。这表明，可以在源 TS 数据集上训练神经网络，并在不同的目标 TS 数据集上部署，而无需重新训练，从而获得至少与先进的单变量预测模型一样好的性能。

    Feb, 2020

  • 连续的模型不可知元学习用于小样本故障时间序列预测

    通过引入一种新颖的 “伪元任务” 分割方案，将连续时间序列作为伪元任务，使我们的方法从数据中提取更全面的特征和关系，从而实现更准确的预测。此外，我们引入了一种差分算法来增强我们的方法在不同数据集上的鲁棒性。通过对几个故障和时间序列预测数据集进行广泛实验，我们证明了我们的方法在少样本和一般条件下显著提高了预测性能和泛化能力。

    Nov, 2023

  • 对抗元学习

    本文研究了在对抗样本的情况下的通用元学习。提出了一种元学习算法 ADML (Adversarial Meta-Learner)，它利用干净的和对抗的样本来以对抗的方式优化学习模型的初始化。研究结果表明，ADML 在包含对抗样本的情况下，比其他三种代表性的基于元学习的算法在两个广泛使用的图像数据集（MiniImageNet 和 CIFAR100）中表现更为出色，无论在准确性还是强健性方面。

    Jun, 2018

  • 智能电网中数据稀缺下的少样本负荷预测：元学习方法

    该论文提出了一种基于元学习算法的短期负荷预测方法，通过少量训练样本在任意长度的未知负荷时间序列中快速适应和泛化，并通过历史负荷消耗数据集的评估表明，该方法能够准确预测负荷，比传统的迁移学习和任务特定的机器学习方法提高了 12.5% 的准确度。

    Jun, 2024

  • EEML: 集成嵌入式元学习

    本文提出一种基于梯度元学习的嵌入式集成元学习算法 (EEML)，该算法显式地利用多模型集成将先前任务的先验知识组织成不同的特定专家，并依赖于任务嵌入聚类机制，在训练过程中将不同的任务交给匹配的专家并指导专家在测试阶段如何协作。实验证明，该方法在少样本学习问题上显著优于最近的最新技术。

    Jun, 2022

  • 临床预测的时间相关元学习

    本论文提出了一种基于时间的元学习（TAML）方法，用于在多个未来时间点做出有效的预测，并且在临床数据集上得到验证。

    Mar, 2023

  • 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

  • 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

  • 多城市学习：基于元学习的时空预测方法

    本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

    Jan, 2019

  • 元学习用于少样本时间序列分类

    利用梯度元学习方法，以残差神经网络作为元学习代理来进行少样本时间序列分类问题的模型训练，实现在少量目标任务训练样本下对来自不同领域的目标任务进行快速预测，在 UCR TSC Archive 数据集中实现较强的表现。

    Sep, 2019