关键词meta-learning algorithms
搜索结果 - 8
- 自动化持续学习
通用学习系统应在不断变化的环境中以开放式方式不断改进自己。本文提出一种自动连续学习 (ACL) 的方法,通过训练自指神经网络来元学习其上下文中的连续学习算法,以解决传统神经网络学习算法中的 “上下文灾难性遗忘” 问题。ACL 有效地解决了这 - 上下文学习用于少样本分子属性预测
本文将上下文学习的概念应用于无监督学习,以开发一种新的算法用于预测分子性质,并在小样本支持时超过了最近的元学习算法,在大样本支持时与最佳方法具有竞争力。
- 走向以人口信息为基础的结构动力数据驱动模型定义方法
通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型,为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。
- ICLR通过元学习识别哈密顿系统的物理规律
使用基于数据的元学习算法可以识别控制由相同物理定律支配的哈密顿体系的物理规律,无需进行数学假设。在多种物理系统上验证我们的方法可以识别哈密顿共享表达式。
- ICLR神经切向核元学习
本研究将 MAML 泛化为能够被定义在函数空间内的元学习范式,并提出了在元模型的神经正切核引发的再生核希尔伯特空间(RKHS)中的首个元学习算法,该方法不再需要 MAML 框架中的子优化内循环适应,而是通过在 RKHS 中替换适应性并基于 - ICML元学习的数据增强
本研究针对图像分类器的训练方法进行了探讨,通过元学习算法对支持数据、查询数据和任务进行复杂的抽样,利用数据增强方法不仅可增加每个类别的图片数量,还可生成全新的类别和任务,提高了元学习器在少样本分类基准上的性能。
- ECCV通过多任务表示学习理论改进少样本学习
本文考虑多任务表示学习的框架,总结最近的研究进展,指出基于梯度和基于度量的算法在实践中的根本差异并通过新的基于光谱的正则项改进元学习方法进行实验,以实现 few-shot 分类任务。
- EMNLP探索元学习算法在低资源自然语言理解任务中的应用
本研究探讨了基于元学习算法的模型无关元学习算法(MAML)及其变体,以解决低资源自然语言理解任务中现有方法表现不佳的问题,并在 GLUE 基准测试中验证了该方法的有效性。