MetaTra：在未知领域中进行广义轨迹预测的元学习

Feb, 2024

MetaTra：在未知领域中进行广义轨迹预测的元学习

MetaTra: Meta-Learning for Generalized Trajectory Prediction in Unseen Domain

Xiaohe Li, Feilong Huang, Zide Fan, Fangli Mou, Yingyan Hou...

TL;DR通过提出一种名为 MetaTra 的基于元学习的轨迹预测方法，该方法将 Dual Trajectory Transformer 引入到不同情景中探索个体意图和群体运动模式之间的相互作用，进一步提出了一种模拟源领域和目标领域之间泛化过程的元学习框架，以及通过 Serial and Parallel Training 策略和 MetaMix 特征增强方法增强预测稳定性，实验证明 MetaTra 在实际数据集上不仅超越了其他最先进的方法，而且在领域泛化方面表现出即插即用的能力。

Abstract

trajectory prediction has garnered widespread attention in different fields, such as autonomous driving and robotic navigation. However, due to the significant variations in trajectory patterns across different scenarios, models trained in known environments often falter in unseen ones

trajectory prediction meta-learning dual trajectory transformer motion patterns domain generalization

发现论文，激发创造

AdapTraj: 一个多源领域泛化的多智能体轨迹预测框架

提出了 AdapTraj，一种特定于多智能体轨迹预测任务的多源域泛化框架，可以显著优于其他基线模型，通过显式建模四种特征类型来解决负迁移和外部因素建模不足的问题。

Dec, 2023

跨域元人脸识别学习

本文提出了一种通过元学习来实现对新的未见领域进行面部识别的方法，该方法名为 “Meta Face Recognition（MFR）”，该方法利用元优化目标综合源 / 目标域转移，并通过优化多域分布来合并梯度 / 元梯度以提高泛化性能，同时提出了两个用于泛化人脸识别评估的基准，实验结果证实了该方法的优越性能。

Mar, 2020

神经机器翻译领域适应的元课程学习

本文提出了一种新的元课程学习方法，通过先学习相似领域的课程以避免早期陷入糟糕的局部最优，然后学习各自的课程以提高模型鲁棒性从而改善低资源神经机器翻译领域自适应问题。实验结果表明，这种方法可以提高熟悉和不熟悉领域的翻译性能。

Mar, 2021

STDA-Meta: Few-shot 交通预测的元学习框架

基于领域适应的时空元知识传递的少样本交通预测方法，在数据稀缺的城市中取得了 7% 的性能改进。

Oct, 2023

单域泛化的元因果学习

本文提出了一种新的学习范式，即模拟 - 分析 - 减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。

Apr, 2023

元强化学习在模拟到真实领域适应中的应用

本论文提出了一种基于元学习的方法，在使用任务特定轨迹生成模型提供动作空间以便快速探索的同时，训练机器人智能体以适应各种动态条件，以解决现代强化学习方法低样本效率和不安全探索的问题。我们通过在仿真环境中进行域适应并分析适应过程中潜在空间的结构来评估该方法。然后，在 KUKA LBR 4 + 机器人上应用此策略，并在将曲棍球击向目标的任务中评估其性能。实验结果表明，与基准表现相比，这种方法具有更一致和稳定的域适应性，从而获得了更好的整体性能。

Sep, 2019

Few-Shot NMT 自适应元学习

META-MT 提供了一种新的基于元学习的方法来适应神经机器翻译系统 (NMT)，可以使 NMT 模型很容易地适应多个领域的目标，同时需要极少量的领域数据。通过在模拟的离线元训练领域适应任务的基础上学习如何适应新的未见过的领域，我们将 NMT 系统的适应性视为元学习问题。我们在十个领域上评估了提出的元学习策略并展示了在很少的领域样例可用时，META-MT 可以显著优于经典的领域适应并且可以在只见到 4,000 个已翻译的单词 (300 对平行句子) 后比经典微调的 BLEU 指标高出多达 2.5 个点。

Apr, 2020

具有困难感知的不平衡数据序列元学习

针对实际情况中任务分布动态变化和不均衡，本研究提出了一种基于核方法的领域变化检测和难度感知内存管理机制。同时，还引入了一种高效的自适应任务采样方法，最终在新的基准测试中得到了非常好的效果。

Sep, 2021

语义解析中的领域泛化元学习

本文尝试使用基于元学习的框架，旨在实现语义解析的零 - shot 泛化能力，实验结果表明，这种方法对 Spider 数据集上的解析表现有显著的提升。

Oct, 2020

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