关键词meta-learning algorithm
搜索结果 - 14
- 元图卷积网络:处理图神经网络中的数据不平衡的动态加权损失最小化方法
本论文提出了一种名为 Meta-GCN 的元学习算法,通过同时最小化无偏元数据集损失和优化模型权重来自适应地学习样本权重,实验证明 Meta-GCN 在两个不同数据集上的分类任务中在准确性、接收器操作特性下的曲线下面积(AUC-ROC 曲线 - 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 - 上下文感知元学习
在这项工作中,我们提出了一种元学习算法,通过在推理过程中学习新的视觉概念而无需微调,模拟了类似大型语言模型的能力。我们的方法利用一个冻结的预训练特征提取器,并将元学习重新构造为对具有已知标签的数据点和具有未知标签的测试数据点进行序列建模,从 - 一种用于询问议程的元学习算法
本文提出了一种基于元学习算法的形式概念分析(FCA)方法来构建好的询问议程,以实现对数据更好的解释性和分类准确性。
- 对抗性廉价谈判
本文介绍了一种名为 Cheap Talk MDP 的新的对抗设置,其中一个 Adversary 只能向 Victim 的观察结果中添加确定性信息,从而实现最小影响范围,并提出了一种名为 Adversarial Cheap Talk (ACT - ACL元学习跨语言语义解析流形
通过元学习算法,利用高语种数据进行训练,在少量带注释的新语言数据上,我们的跨语言语义分析器可以达到较高的准确性和极少的数据采样。
- 面向物理无关对象的元学习再抓取策略
本文介绍了一种基于视觉的元学习算法 DexNet-CNP,通过条件神经过程来学习不同物理特性进行抓取,模型在各种物体上的测试结果优于 DexNet-2.0。
- 模型是否应该准确?
通过引入基于元学习的算法,该文探讨了在复杂或动态环境中,即使存在不完美的模型,不严格追求模型准确度也能提高模型的实用性,并通过实验验证了算法的有效性。
- 公平人脸识别的元平衡网络
本文针对深度人脸识别在肤色判别方面的争议,提出了基于肤色匹配训练数据和学习自适应边距的元学习算法以缓解算法偏差,并提供了 Identity Shades (IDS) 数据库、BUPT-Globalface 以及 BUPT-Balancedf - ICLR基于核岭回归的数据集元学习
用 KIP 算法从大规模数据集中提取出适合于训练机器学习模型的小规模数据集且在保持模型性能的同时可以大幅减小数据集容量的同时可以实现隐私保护,该算法在 MNIST 和 CIFAR-10 的分类中获得了最先进的结果。
- ACL基于元学习的低资源领域无监督神经机器翻译
本研究提出了一种元学习算法,以解决数据稀缺领域的非监督神经机器翻译问题。通过扩展从高资源领域中学习的知识来提高低资源 UNMT 的性能,实验证明我们的方法具有快速适应性和一致的优越性能。
- EMNLP多语言模型中的负干扰:发现及元学习处理
本研究通过系统研究表明,多语言模型存在负干扰问题,即共享参数对高资源语言也有削弱效果。我们发现多语言模型中存在语言特定的参数,用元学习算法训练这些参数可以规避负干扰问题,提高跨语言泛化能力。
- ICLRProMP: 近端元策略搜索
本文研究 Meta-reinforcement learning 中信用分配的理论分析,提出了一种新的元学习算法,通过控制先适应和适应策略的统计距离,实现了高效和稳定的元学习。该方法导致出色的先适应策略行为,并在样本效率,墙钟时间和渐近性能 - 随机梯度 MCMC 的元学习
本文提出了第一个元学习算法,可以自动设计 SG-MCMC 采样器的连续动力学,学习的采样器泛化了 Hamiltonian 动力学,并且在贝叶斯全连接神经网络和贝叶斯循环神经网络任务上进行了验证,表明学习采样器优于通用手动设计的 SG-MCM