连续的模型不可知元学习用于小样本故障时间序列预测

Nov, 2023

连续的模型不可知元学习用于小样本故障时间序列预测

Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis

Hai Su, Jiajun Hu, Songsen Yu

TL;DR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。

Abstract

meta learning is a promising technique for solving few-shot fault prediction problems, which have attracted the attention of many researchers in recent years. Existing meta-learning methods for →

meta learning few-shot fault prediction time series prediction pseudo meta-task partitioning differential algorithm

发现论文，激发创造

概率模型无关元学习

该论文提出了一种概率元学习算法，能够从模型分布中采样模型，并且在模型适应新任务时注入噪声来减少任务模糊性，实验结果表明，该方法可以在模糊的少样本学习问题中采样出可信的分类器和回归器，并且阐述了如何利用对模糊性的推理来解决活跃学习问题。

Jun, 2018

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

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

面向 Few-shot Learning 的任务无关元学习

本文提出了一种基于熵和不等式优化的任务不可知元学习算法，可以在避免过度适应已有任务和提高元学习器泛化性能方面有效地解决少样本学习问题，并在少量分类和强化学习任务中表现优异。

May, 2018

无关模型的元学习用于深度网络的快速适应

本文提出了一种模型无关的元学习算法，通过少量的训练样本，使用梯度下降算法来训练模型的参数，实现了对新学习任务的快速调整和学习，导致在少量图像分类、回归和神经网络政策优化方面表现出最先进的性能。

Mar, 2017

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

元学习和预测提前期

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。

Jul, 2023

贝叶斯模型无关元学习

本文提出一种新的贝叶斯模型无关元学习方法，结合可伸缩的基于梯度的元学习和非参数变分推断，通过一个有原则的概率框架去学习复杂的不确定性结构，并且在 meta-update 时使用鲁棒的贝叶斯 meta-update 机制防止过拟合。此方法在各种任务中展现了准确性和鲁棒性。

Jun, 2018

元学习的自适应任务采样

这篇论文提出了一种基于类对潜力的贪心采样方法，以改善元学习中的少样本分类问题的普适性表现。

Jul, 2020

元转移学习用于少样本学习

本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

Dec, 2018