【元学习和少样本学习】论文合集推荐丨元迁移学习、广义零次学习等

元学习（Meta-Learing），又称“学会学习“（Learning to learn）, 即利用以往的知识经验来指导新任务的学习，使网络具备学会学习的能力，是解决小样本问题（Few-shot Learning）常用的方法之一。在元学习中，训练单位是任务，一般有两个任务分别是训练任务（Train Tasks）亦称跨任务（Across Tasks）和测试任务（Test Task）亦称单任务（Within Task）。训练任务要准备许多子任务来进行学习，目的是学习出一个较好的超参数，测试任务是利用训练任务学习出的超参数对特定任务进行训练。随着元学习理论不断成熟，越来越多的自然语言处理任务开始引入元学习经典模型来攻克领域内的一些难点。少样本学习（Few-shot learning）则是从大量有标注数据的类别中学习到普遍的规律，利用学习到的知识，能够使用少量的有标注数据（如一张或五张）完成对新类别的识别。

关于元学习和少样本学习，AMiner整理了相关论文，助大家更深入了解近年来的发展情况。点击链接查看论文合集：https://www.aminer.cn/topic/5f8d76ea92c7f9be211b083d?f=cs

以下是从论文合集中整理出的一些优质论文：

1.Towards Fast Adaptation of Neural Architectures with Meta Learning

“为了解决NAS的可转移性问题，对神经架构进行快速适配，本文提出了一种基于元学习的可转移神经架构搜索方法，称为T-NAS…大量实验表明，T-NAS在少镜头学习中实现了最先进的性能，在监督学习中实现了可比的性能，但搜索成本降低了50倍，这证明了我们方法的有效性…”
PDF下载链接：https://www.aminer.cn/pub/5e5e189893d709897ce1d884/?f=cs

2.Meta-Learning For Generalized Zero-Shot Learning

“在本文中，我们提出了一种基于元学习的生成模型，可以自然地处理这些限制。该模型基于将模型不可知元学习与Wasserstein GAN（WGAN）集成以处理（i）和（iii），并使用新颖的任务分布来处理（ii）…我们提出的模型对标准ZSL以及更具挑战性的GZSL设置进行了重大改进。在 ZSL 设置中，我们的模型分别比 CUB、AWA1、AWA2 和 aPY 数据集的当前技术水平分别提高了 4.5%、6.0%、9.8% 和 27.9%的相对改进…”
PDF下载链接：https://www.aminer.cn/pub/5e5e190993d709897ce48b20/?f=cs

3.Differentiable Meta-learning Model for Few-shot Semantic Segmentation

“我们将“少量语义分割”任务表述为基于学习的像素分类问题，并提出了一种基于元学习的名为MetaSegNet的新框架…此外，我们将线性模型作为基础学习器整合到MetaSegNet中，以直接预测多对象分割的每个像素的标签…在PASCAL VOC和COCO这两个流行的语义分割数据集上进行实验，揭示了所提出的MetaSegNet在K-way few-shot语义分割任务中的有效性…”
PDF下载链接：https://www.aminer.cn/pub/5e5e191f93d709897ce5277e/?f=cs

4.Meta-Learning without Memorization

“在本文中，我们通过使用信息理论设计元正则化目标来应对这一挑战，该目标优先考虑数据驱动的适应性。这会导致元学习器决定必须从任务训练数据中学习什么，以及应该从任务测试输入中推断出什么…我们证明了它对基于上下文和梯度的元学习算法的适用性，并将其应用于应用标准元学习非常困难的实际环境中。在这些设置中，我们的方法大大优于标准的元学习算法…”
PDF下载链接：https://www.aminer.cn/pub/5e718f6c9e795e1c35c5f81f/?f=cs

5.A New Meta-Baseline for Few-Shot Learning

“我们提出了一种Meta-Baseline方法，通过在所有基类上预训练分类器，并在基于最近质心的少射分类算法上进行元学习，它的表现大大优于最近的最先进的方法…我们发现预训练和从预训练分类器中继承一个很好的几次分类指标对于Meta-Baseline来说都很重要，这可能有助于模型更好地利用预训练的表示，具有更强的可转移性…我们的工作为该领域树立了一个新的坚实基准，并阐明了进一步理解元学习框架中用于少镜头学习的现象…”
PDF下载链接：https://www.aminer.cn/pub/5e68c5f591e0116bed0412f2/?f=cs

进入AMiner官网，查看更多优质论文：https://www.aminer.cn/?f=cs