柯西一施瓦兹不等式-CSDN博客

原创 Learning to Learn from Noisy Labeled Data

Learning to Learn from Noisy Labeled Data论文地址：https://arxiv.org/pdf/1812.05214.pdf代码分享：https://github.com/LiJunnan1992/MLNT一、 ABSTARCTDNN依赖于大量的数据，人工标注昂贵，网络上廉价的数据源往往包含不准确的数据，训练带有噪声的数据集会导致性能下降。本文提出了一个 noise-tolerant 训练算法，其中meta-learning update在常规的.

2021-01-08 17:22:19 1390 3

原创 Learning to Learn from Weak Supervision by Full Supervision

论文地址：http://export.arxiv.org/pdf/1711.11383一、 ABSTRACT本文提出了针对于大量weak labels和少量true label情况下训练神经网络的方法。在我们提出的模型中，我们训练了两个网络，一个target network（the learner），另一个是confidence network（the meta-learner）。Target-learner是用大量的无标签数据进行训练并且is optimized to 完成一个指定任务。Confide

2021-01-08 17:20:05 330

原创 Distilling Effective Supervision from Severe Label Noise

论文地址：https://arxiv.org/pdf/1910.00701.pdf一、摘要文章是针对于高噪声标注下的鲁棒性训练问题。本文的主要亮点是合理利用一小部分干净的数据从而来估计噪声标签的样本权重和伪标签。我们提出了一个很大程度上不会受噪声标签影响的网络架构。我们在各个噪声等级的数据集上和真实噪声数据集上都取得了state of the art 的结果。二、 Introductionrobust training at high label noise 问题的研究意义要解决这个问题，数据集

2021-01-08 16:32:53 541

原创 Generalizing from a Few Examples: A Survey on Few-Shot Learning

Generalizing from a Few Examples: A Survey on Few-Shot Learning论文地址：paper 这篇概述很简洁：简介的论文解读一、摘要机器学习在有大量数据支撑的时候的效果很好，但是数据量很少的时候效果很差了。Few shot learning 是针对于这个问题场景下提出的解决办法，他可以迅速自适应到一个新的任务中去。FSL的核心问题是unreliable empirical risk minimizer，基于如何利用先验知识来解决问题，我们可以把

2021-01-08 16:16:47 1820 1

weixin_38654615的博客

原创 Learning to Learn from Noisy Labeled Data

原创 Learning to Learn from Weak Supervision by Full Supervision

原创 Distilling Effective Supervision from Severe Label Noise

原创 Generalizing from a Few Examples: A Survey on Few-Shot Learning

原创 postgresql 免安装版本

原创解决：Expected tensor for argument #1 'input' to have the same device as tensor for argument #2 'weight

原创数据库--并发和事务

原创常用sql语句

空空如也

空空如也