unsupervised meta-learning | BriefGPT

关键词unsupervised meta-learning

搜索结果 - 8

ICLR无监督元学习：基于少量伪有监督对比学习
本研究提出了一种名为 “Pseudo-supervised Contrast (PsCo)” 的无监督元学习框架，可以在少样本分类任务中改进伪标签并以渐进方式构建多样化的任务，实验证明该框架在各种领域和跨领域的少样本分类基准测试中表现优异。
PDFa year ago
AAAICMVAE：用于无监督元学习的因果元 VAE
本文提出了一种基于结构因果模型的无监督元学习算法，通过对先验概率条件独立性的定义和介入进行隐变量消除，提出了 Causal Meta VAE 算法，能够成功消除训练数据中的上下文偏差，并在少样本图像分类任务中取得了优越的性能表现。
PDFa year ago
ECCV重新思考基于聚类的伪标记方法在无监督元学习中的应用
本研究介绍了一种基于聚类和伪标注的非监督元学习方法，该方法通过最小化类内与类间相似度比率来提供聚类友好的嵌入特征，经实验证明，在嵌入空间中仅利用简单的聚类算法即可实现显着的改进，并且在少样本学习方面也有良好的表现。
PDF2 years ago
ICCV基于动作 - 外观对齐元适应的无监督少样本动作识别
MetaUVFS 是第一个基于无监督元学习的算法并使用对比学习以捕获与外观相关的空间特征和与动作相关的时空特征，在使用 Action-Appearance Aligned Meta-adaptation (A3M) 模块进行元适应学习后，能
PDF3 years ago
通过少样本任务的特征重新审视无监督元学习
本篇论文提出了基于无监督元学习（UML）的通用嵌入向量生成方式用于 few-shot learning，并结合数据增强、半标准化相似度、混淆实例合成、任务相关嵌入变换等技术，取得了显著优于以前 UML 方法和甚至优于有监督方法的成果。
PDF4 years ago
ICML自监督原型转移学习用于少样本分类
本文提出了一种自监督的原型传递学习方法 ProtoTransfer，旨在通过构建一个可以将未标记的样本和它们的增强聚类在一起的度量嵌入来预测少量标记数据的正确类别。我们在 mini-ImageNet 数据集上的少量样本分类任务中通过 Pro
PDF4 years ago
基于生成模型中的潜空间插值实现无监督元学习
本文提出一种基于生成模型的元任务生成方法，称为 LAtent Space Interpolation Unsupervised Meta-learning (LASIUM)，通过从潜在空间中生成分组成群的对象，构建元任务的训练和验证数据，应
PDF4 years ago
ICLR元学习式的无监督学习
该篇研究通过无监督元学习方法，利用自动构建的任务，从无标记数据获取表征，并应用于多种下游分类任务中，相对于其他四种无监督学习方法的表征学习，显示出更好的性能。
PDF6 years ago