龙明盛教授-few-shot learning-ppt

2020年10月6日,下午3:10 - 4:10 北交九教中102讲座记录。

主题:few shot learning

较为系统的介绍了小样本学习的主流技术脉络: 迁移学习、多任务学习、元学习。

其目的是提升机器学习模型在不同场景的泛化能力。

note : 模型和一系列的预处理手段都可以视作模型的先验知识。

note: 整体框架图。

· Transfer learning : 单任务的迁移  (举例:学数学  考数学)

· Multi-task learning: 多任务的迁移(各种任务之间可以通过共享权重的方式进行关联,else:contact, add, multi-head, 固定主干)(举例:学数学和物理 考数学和物理 --- 任务之间有关联关系,可能是相互促进的,也可能是相互制约的)

· Meta-learning: 多任务学习得到的模型和知识,迁移到新的任务场景下。(举例:野外、 open set domain adaption...)

note : 单任务 从loss上看,尽可能地降低损失,并且正则项保证模型不是很大。

note: 多任务就是把每个任务地loss加起来。(loss可以通过加权地方式进行获取,例如与目标任务比较接近时,weight大一些)

note: (important page) 精准地概括了三者之间地关系。元学习实质上是多任务和transfer的前后结合。

其他PPT就是龙教授整理的具体works,就不贴了。

others: 

1、知识迁移很大,迁移学习很小;

2、Few-shot的学习率调整很重要,甚至影响了复现过程和实验结果;

3、如果把多任务学习的数据集合在一起,就变成了单任务学习;

4、整体感觉few-shot方向还有很多东西可以做,元学习有时效果不比迁移学习方法好。

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值