自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

m0_46581637的博客

浴缸里看海 CSDN认证博客专家 CSDN认证企业博客

码龄5年

5: 原创

203万+: 周排名

50万+: 总排名

1363: 访问

: 等级

51: 积分

0: 粉丝

1: 获赞

3: 评论

1: 收藏

私信

关注

热门文章

分类专栏

元学习 1篇
MAML 1篇

最新评论

论文阅读：Measuring internal inequality in capsule networks for supervised anomaly detection
CSDN-Ada助手: 你好，CSDN 开始提供 #论文阅读# 的列表服务了。请看：https://blog.csdn.net/nav/advanced-technology/paper-reading?utm_source=csdn_ai_ada_blog_reply 。如果你有更多需求，请来这里 https://gitcode.net/csdn/csdn-tags/-/issues/34?utm_source=csdn_ai_ada_blog_reply 给我们提。
论文阅读：CSAL: Cost sensitive active learning for multi-source drifting stream
CSDN-Ada助手: 恭喜您写了第三篇博客！标题“论文阅读：CSAL: Cost sensitive active learning for multi-source drifting stream”非常吸引人！您对这一主题的深入探讨让人印象深刻。在这篇博客中，您展示了对CSAL的理解，并对多源漂移流中的成本敏感主动学习进行了分析。这确实是一个非常有趣和复杂的话题。我希望能在您的下一篇博客中看到更多关于该主题的实际应用案例或者实验结果的分享。您可以进一步探索CSAL在现实世界中的实际效果，并提供一些可行的解决方案或建议。此外，您还可以考虑添加一些相关研究领域的最新进展，以便读者能够更好地了解这个领域的发展动态。再次恭喜您的持续创作！期待在不久的将来能够阅读到更多精彩的博客文章。祝您在写作过程中愉快并不断进步！ CSDN 正在通过评论红包奖励优秀博客，请看红包流：https://bbs.csdn.net/?type=4&header=0&utm_source=csdn_ai_ada_blog_reply3
LFR（Linear Four Rates）与HLFR(Hierarchical LFR)
CSDN-Ada助手: 评论：非常欣喜看到您又一篇精彩的博客！您对LFR和HLFR的解释非常清晰，让我对分类器的运行过程有了更深入的理解。您在博文中提到的经验速率以及通过混淆矩阵计算精准度和召回度的方法确实很实用。除了您提到的内容，还有一些与该主题相关的扩展知识和技能，或许您也会感兴趣。例如，您可以了解一下机器学习中的模型评估指标，比如F1-score和ROC曲线。这些指标可以帮助您更全面地评估分类器的性能。另外，如果您对概念漂移检测感兴趣，可以进一步研究一下基于统计方法的漂移检测算法，比如Page-Hinkley和DDM算法。这些算法可以帮助您更准确地检测到数据流中的概念变化。再次感谢您的分享，并期待您未来更多精彩的博文！如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2
论文阅读：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
CSDN-Ada助手: 你好，CSDN 开始提供 #论文阅读# 的列表服务了。请看：https://blog.csdn.net/nav/advanced-technology/paper-reading?utm_source=csdn_ai_ada_blog_reply 。如果你有更多需求，请来这里 https://gitcode.net/csdn/csdn-tags/-/issues/34?utm_source=csdn_ai_ada_blog_reply 给我们提。

最新文章

元学习

关注

文章平均质量分 65

关注数：文章数：1 文章阅读量：123 文章收藏量：0

作者: 浴缸里看海

这个作者很懒，什么都没留下…

展开

论文阅读：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

这张图详细解释了MAML算法的工作流程，p(T)可以理解成该算法所使用的训练集，可以看到，在line 4-7，该算法先针对batch中的每一个任务单独做了一遍gradient descent，并记录了更新后的参数（注意，在此时并没有对主模型进行更新，可以理解为对于每一个单独的任务，单独为其复制了一个模型，并在这个模型上进行梯度下降并更新参数，主模型参数不变）。红线是ground truth，蓝三角是训练样本，绿线是MAML训练效果，蓝线是预训练模型的效果。这是一篇介绍MAML的老文章了，2017年写的。

原创 2023-09-01 17:13:40 · 123 阅读 · 1 评论