yunlong_G的博客

MEDA: Meta-Learning with Data Augmentation for Few-Shot Text Classification出发点数据增强球合成器合成模块Synthesis module转换模块Transformation module损失函数球生成器部分损失函数元学习损失训练策略实验数据集结语出发点对于小样本学习文本分类问题中，限制其性能的主要原因之一是因为对于每一个类别有多种的表示方式。所以本文提出了一种数据增强方式来解决样本不足的问题。数据增强原文的数据增强：随机替

小样本学习记录，关于如何将文本分类中的信息进行转移。

Meta-Learning Adversarial Domain Adaptation Network for Few-Shot，元学习对抗性领域自适应网络(MLADA)的论文阅读笔记，将GAN思想与小样本结合的文本分类。

本文是对论文How to train your maml论文的阅读体会，详细介绍了MAML中的问题和改进方法。

相似性计算经典网络结构(孪生网络、匹配网络、原型网络、 关系网络)，介绍每一种网络的结构思想，富含小白的自我理解。

主要介绍了MAML算法思想和部分代码解释，也题记了元学习和小样本学习，预训练等相关概念。

本科毕设记录（一）————小样本综述综述问题定义相关的领域核心问题**经验风险最小化**（Empirical Risk Minimization）不可靠的经验风险最小化（Unreliable Empirical Risk Minimizer）解决方法数据增强模型算法未来工作问题技术应用理论论文总结论文链接[1904.05046] Generalizing from a Few Examples: A Survey on Few-Shot Learning (arxiv.org)综述问题定义机器学