元学习SOTA

最新推荐文章于 2024-05-04 10:15:11 发布
最新推荐文章于 2024-05-04 10:15:11 发布
阅读量267 收藏 1
点赞数
分类专栏： 元学习 文章标签： 深度学习 元学习 小样本学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liz_Lee/article/details/109713638
版权

目录

1 元学习进展

1.1 预测精度

元学习解决5-way 5-shot分类问题

  • Omniglot数据集上，精度99%
  • MiniImagenet数据集上，精度80%+

1.2 最新方法

SOTA元学习方法MetaOpt

1.3 最新应用

（1）电子商务平台的细分市场预测
（2）智慧城市的时空预测

2 元学习存在的问题

跨域问题，元学习效果差
域差别越大，精度越低，最大差距能达60%
pre-training + fine-tuning的结果还算好点

声音信号经过log Mel特征提取后，域差异会减小，跨域结果下降幅度也会变小

在这里插入图片描述

3 后续研究方向

提高求解质量——跨域问题，fine-tune更好的问题
提高泛化水平——新任务上的泛化问

最低0.47元/天 解锁文章
liz_lee
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一文通俗讲解元学习（Meta-Learning）
Paper weekly
11-18 5万+
©PaperWeekly 原创 ·作者 | 孙裕道学校 | 北京邮电大学博士生研究方向 | GAN图像生成、情绪对抗样本生成元学习（meta-learning）是过去几年最火爆的学习方法...
通俗讲解元学习（Meta-Learning）
AI研究院
06-11 4774
元学习通俗的来说，就是，有时候掌握学习的方法比刻苦学习更重要！下面我们进行详细讲解。
元学习（Meta-Learning）入门指南
qlkaicx的博客
05-04 1180
元学习是机器学习的一个分支，它关注于如何设计算法，使其能够利用过去的经验来快速适应新任务。传统的机器学习模型通常针对特定任务进行训练，而在新任务上表现可能并不理想，除非重新进行大量的训练。相比之下，元学习旨在通过少量的数据或尝试来高效学习新任务，从而显著提高模型的灵活性和适用性。
什么是元学习 (Meta Learning)
蓝鲸鱼的博客
05-02 1万+
目录元学习（Meta Learning）元学习介绍元学习目的元学习流程 元学习（Meta Learning） 元学习介绍 元学习希望使得模型获取调整超参数的能力，使其可以在获取已有知识的基础上快速学习新的任务。 元学习目的 元学习和机器学习的区别在于：机器学习是先人为调参，之后直接训练特定任务下深度模型。元学习则是先通过其它的任务训练出一个较好的超参数，然后再对特定任务进行训练。 这些超参数可以是初始化参数、选择优化器、定义损失函数、梯度下降更新参数等。 元学习流程 在机器学习中，训练单位是样本数据，通
元学习（Meta-learning）
可以学习吗的博客
12-14 3747
元学习（Meta-learning） 概述 1. 定义： 传统的机器学习研究模式是：获取特定任务的大型数据集，然后用这个数据集从头开始训练模型。很明显，这和人类利用以往经验，仅仅通过少量样本就迅速完成学习的情况相差甚远。 元学习（Meta Learning）或者叫做“学会学习”（Learning to learn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力...
STMetaNet：基于深度元学习的时空数据城市交通预测
myblog
11-29 2459
**标题：**Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning 简介：KDD 2019的论文，考虑了节点和边的元信息来做预测 **解决的问题：**已有的ST模型大体包括特征提取模块、预测模块，对于预测模块关注的少，文章认为，不同的区域，如办公区，住宅区在早晚高峰会有不同的流量模式(居民区在早高峰outflow多，办公区在早高峰inflow较高，而晚高峰则相反)。文章想区对不同功能的区域定制一个预测模型。 其
3D点云目标检测语义分割深度学习SOTA方法代码论文数据集等.zip
04-25
本资源是经过本地编译测试、可打开、可运行的资源或源码，可以用于毕业设计、课程设计的应用、参考和学习需求，请放心下载。 祝愿你在这个毕业设计项目中取得巨大进步，顺利毕业！ 但强调一下，这些项目源码仅供学习...
SotA-CV:最新的计算机视觉深度学习方法库
05-03
SotA-CV 最新的深度学习资源库可用于计算机视觉。 它旨在收集和维护有关计算机视觉最新发展的最新信息，以促进深度学习的研究工作。 与协作跟踪研究进度的其他尝试不同，此存储库提供定量评估的汇总结果。 这样的...
全新的SOTA模型YOLOv9
02-22
当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和...
刷新SOTA！Salesforce提出跨模态对比学习新方法，仅需4M图像数据！ .rar
10-18
刷新SOTA！Salesforce提出跨模态对比学习新方法，仅需4M图像数据！ .rar
高性能单流跟踪框架：基于自关注算子的联合特征学习与关系建模，实现SOTA性能的代码
最新发布
05-27
一个简单、简洁、高性能的单流跟踪框架，用于基于自关注算子的联合特征学习和关系建模。在没有任何额外的时间信息的情况下，在多个基准测试中实现了SOTA性能。可以作为进一步研究的有力基础。
最新最全《深度元学习》2021综述论文
04-23
深度神经网络在拥有大量数据集和足够的计算资源的情况下能够取得巨大的成功。然而，他们快速学习新概念的能力相当有限。元学习是解决这一问题的一种方法，通过使网络学会如何学习。
元学习概述（Meta-Learning）
一只攻城狮的博客
01-14 3万+
转载自： 凉爽的安迪-深度瞎学 一文入门元学习（Meta-Learning） 写在前面：迄今为止，本文应该是网上介绍【元学习（Meta-Learning）】最通俗易懂的文章了（ 保命），主要目的是想对自己对于元学习的内容和问题进行总结，同时为想要学习Meta-Learning的同学提供一下简单的入门。笔者挑选了经典的paper详读，看了李宏毅老师深度学习课程元学习部分，并附了MAML的代码。为了通俗易懂，我将数学推导和工程实践分开两篇文章进行介绍。如果看不懂，欢迎来捶我（ ）~~如果大家觉得有帮...
还不会元学习？看这篇文章
小菜鸡
01-17 2237
本文从元学习的介绍， 基于度量的方法，基于网络结构的方法，基于优化的方法记录meta learning的学习过程.来源于李宏毅老师meta learning的three parts， Lilian的博客， 以及与memory work 相关的资料。相关的reference将会放在文章最后。
“元学习”的理解
热门推荐
myc的博客
09-12 4万+
1、定义 元学习（Meta Learning）或者叫做“学会学习”（Learning to learn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。 当前的深度学习大部分情况下只能从头开始训练。使用Finetune来学习新任务，效果往往不好，而Meta Learning 就是研究如何让神经玩两个很好的利用以往的知识，使得能根据新任务的调整自己 研...
深入浅出元学习-拆解MAML和Reptile算法「Meta-learning」「AI核心算法」
九三智能控
11-26 2737
关注：决策智能与机器学习，深耕AI脱水干货作者：郑思座来源：知乎专栏地址：https://www.zhihu.com/column/c_1068928500529958912转载请联...
了解元学习——如何利用更少的数据提高效率
sikh_0529的博客
08-17 503
未来拥有令人兴奋的可能性，包括能够适应不断变化的环境并从日益有限的数据中学习的更强大的模型。元学习，或者说学会学习，是一种机器学习方法，专注于改进学习过程，而不仅仅是学习特定的任务或问题。元学习旨在开发算法或技术，使模型能够根据学习多个相关任务的先前经验，以最少的数据和计算快速适应和学习新任务。通过关注学习过程，元学习技术使模型能够从有限的数据中学习并快速适应新任务，展现出卓越的泛化能力。元学习范式中的多种技术包括模型无关元学习 (MAML)、基于度量的元学习和记忆增强神经网络等。有哪些不同的元学习技术？
元学习：实现通用人工智能的关键！
weixin_33712987的博客
08-23 2581
1 前言 Meta Learning（元学习）或者叫做 Learning to Learn（学会学习）已经成为继Reinforcement Learning（增强学习）之后又一个重要的研究分支（以后仅称为Meta Learning）。对于人工智能的理论研究，呈现出了 Artificial Intelligence --> Machine Lear...
元学习（Meta Learning）
第欧根尼的酒桶的博客
02-28 490
元学习是利用以前获得的和分类的学习过程的元数据来处理机器学习算法以前没有遇到过的新的学习任务。元学习的任务就是学会学习。深度学习模型今天无法完成多种不同的任务。例如，我在过去几周展示了一个图像分类器。虽然对这个特定任务调整超参数很容易，但我并没有制作出一个有效的图像分类模型。这花费了我的时间，我只是展示了如何使这个过程更自动化。即使我创建了优化良好的卷积神经网络，我仍然会面临对象分类范围有限的问题。我还将通过使用强化学习来解决这个问题，使模型不断接受训练，并在需要时获取其迭代。
SOTA虚假伪造检测机器学习模型
04-23
SOTA（State-of-the-Art）虚假伪造检测机器学习模型是指目前在虚假伪造检测领域取得最先进成果的模型。虚假伪造检测是指通过机器学习技术来判断文本、图像、视频等内容是否经过伪造或篡改。 目前，有许多机器学习模型被用于虚假伪造检测，其中一些SOTA模型包括： 1. GAN（生成对抗网络）：GAN是一种由生成器和判别器组成的模型，通过对抗训练的方式来生成逼真的伪造内容。在虚假伪造检测中，GAN可以用于生成虚假内容，然后通过判别器来判断输入内容是否为真实或虚假。 2. LSTM（长短期记忆网络）：LSTM是一种循环神经网络，可以处理序列数据。在虚假伪造检测中，LSTM可以用于分析文本序列或时间序列数据，从中提取特征并判断是否存在伪造。 3. CNN（卷积神经网络）：CNN是一种常用于图像处理的神经网络模型。在虚假伪造检测中，CNN可以用于提取图像特征，并通过分类器来判断图像是否经过伪造。 4. Transformer（变形器）：Transformer是一种基于自注意力机制的神经网络模型，广泛应用于自然语言处理任务。在虚假伪造检测中，Transformer可以用于处理文本数据，通过学习文本之间的关系来判断是否存在虚假信息。 这些SOTA虚假伪造检测机器学习模型都有各自的优势和适用场景，具体选择哪种模型取决于应用需求和数据特点。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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