- 通用预测器学习
通过元学习的极限来将 Solomonoff 归纳嵌入到神经网络中，利用 Universal Turing Machines 生成训练数据，研究了元学习的极限以及其对神经网络的影响，实验结果表明 UTM 数据对于元学习是一个有价值的资源，并且 - 基於多模態融合的多視角教師蒸餾方法用於少樣本動作識別
在最近几年，少量样本行为识别引起了越来越多的关注。该领域通常采用元学习的范式。在有限样本的基础上，克服类别的重叠分布和异常值仍然是一个具有挑战性的问题。我们相信多模态和多视角相结合可以改善这个问题，取决于信息的互补性。因此，我们提出了一种基 - AAAI细粒度原型蒸馏用于少样本目标检测
我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。
- 多路元学习
利用基于随机数值标签分配的 ``标签等价性 ''，我们解决了元学习在面对未见过的不同基数任务时的固定基数约束问题，并提出了一种`` 任意方式 '' 学习范式，该范式在性能、收敛速度和稳定性方面不仅能与传统的固定方式模型相匹敌，还能经常表现得 - 探索任务内部关系以改善元学习算法
通过选择多样的任务进行小批量处理，我们研究利用任务关联的外部知识来改善训练稳定性，进而减少训练中的噪音。
- 自适应 FSS: 一种通过原型增强的新型少样本分割框架
基于适配器机制提出了一种新的 Few-Shot Segmentation (FSS) 框架，设计了 Prototype Adaptive Module (PAM) 来提高 FSS 模型的性能和实现新的最先进结果。
- 混合任务元学习：一种可扩展和可迁移的带宽分配的图神经网络方法
本文提出了一个基于深度学习的带宽分配策略，该策略具有可扩展性和适用性，通过图神经网络表示带宽分配策略，使用混合任务元学习算法进行训练，通过模拟结果验证了方法的有效性和性能优势。
- 个性化联邦学习中的上下文调节和元学习
提出了一种将联邦学习与元学习技术相结合的新框架，通过学习数据批次的上下文信息并使用该知识生成调制参数来动态调整基础模型的激活，从而实现了联邦学习的效率和泛化能力的提高。实验结果表明，与现有的联邦学习方法相比，这种方法在收敛速度和模型性能方面 - 利用镜面下降实现快速适应的多功能损失几何元学习
利用从相关任务中提取的任务不变的先验知识，元学习是一种原则性的框架，能够在数据记录有限时有效地学习新任务。使用预条件器来处理权重更新的收敛问题是元学习中的一个基本挑战。现有方法通过增强每个任务的训练过程来处理这个挑战。然而，简单的线性预条件 - 高维对手塑造的扩展
对于混合激励的多智能体环境中，通过学习对博弈对手产生影响的对手塑造方法，我们成功将其扩展到具有长期行动和长期视角的广义和博弈，提出了一个称为 Shaper 的简化版本，并证明 Shaper 在多种具有挑战性的环境中能够改善个体和整体的结果。
- 在 Bongard-HOI 中从增强标签不确定查询中进行少样本学习
在这篇论文中，研究人员提出了一种新的方法来解决在少样本情况下检测人 - 物交互的问题，通过引入标签不确定的查询增强技术，以及伪标签生成技术和负样本支持集增强信息的方式，实现了在 Bongard-HOI 基准和 HICO-FS 数据集上的性能 - ReFusion: 通过元学习从重建中学习可学习损失的图像融合
我们提出了一种名为 ReFusion 的统一的元学习图像融合框架，通过重构源图像来学习最佳融合损失函数，解决了深度学习图像融合算法中由于缺乏确定性的标准和距离测量而存在的问题，并能够成功适应多种融合任务。
- 元学习用于标定深度内核高斯过程的回归不确定性估计
通过最小化测试期望标定误差来从各种任务的数据中元学习如何校准不确定性，并在未知任务中使用这些知识，以改善回归不确定性估计性能。通过将高斯过程和高斯混合模型集成到神经网络模型中，我们可以以端到端的方式元学习模型参数，从而在几次训练的情况下提高 - ICL 标记：使用软词标签进行上下文学习的结构化
通过使用软标记标签来组成提示模板的方法，以及预先学习这些标签的元学习方法，可以减少用户在 ICL 中的任意决策并简化 ICL 的应用。该方法在企业应用中的初步实验结果显示出了潜在的改进，对于少样本和开放世界意图检测以及新闻和法律领域的文本分 - 利用迁移学习和元学习提高弱监督搜索的性能
弱监督搜索有理论上能够在实验数据上进行训练并且能够学习到独特的信号特性的优点。然而，这种搜索的实际应用受到成功训练神经网络所需的大量信号的限制。本文旨在通过使用迁移学习和元学习来创建可以从较少实验信号中学习的神经网络。总体思想是首先在仿真数 - 元学习中的任务混淆攻击
通过结构因果模型分析任务中的潜在因素，并提出一种基于因果关系的元学习方法 MetaCRL 来消除任务中的混淆因素，从而提高元学习的泛化性能。
- 波尔德温演化算法实现的通用神经物理求解器
通过对生物学中的鲍德温效应的生物学透镜的研究，本文首次研究了学习能够同时概括整个物理任务系列的物理知情神经网络（Physics-informed neural networks）的潜力。借鉴能够快速学习、预测和快速适应环境的早成品种的神经发 - 有限标记数据的学习稳定性及随机性影响的系统文献综述
通过综述 134 篇研究文献，我们全面概述了有限标记数据学习过程中随机性对稳定性的影响，探究、确定、缓解、比较及报告该随机性影响的四个主要任务，并提出七个挑战与未解决问题，以及进一步研究的可能方向。本综述旨在强调这个发展中的研究领域的重要性 - 可解释性的物理系统元学习
机器学习方法在科学研究中可成为有价值的辅助工具，通过利用学习问题的结构，提出了一种多环境泛化的简化学习模型，该模型能够识别系统的物理参数并实现可解释性学习，展示了竞争性泛化性能和低计算成本，并在物理参数诱导适应和自适应控制等领域得到了有趣应 - 高效可拓展的高斯过程元学习
在这篇论文中，我们开发了一种可扩展的基于高斯过程的模块化元学习模型 ScaML-GP，其中的核心贡献是一个经过精心设计的多任务核函数，它实现了层次化训练和任务的可扩展性。通过在元数据上对 ScaML-GP 进行条件化，我们揭示了其模块化特性