論文の概要: A Comprehensive Overview and Survey of Recent Advances in Meta-Learning
- arxiv url: http://arxiv.org/abs/2004.11149v7
- Date: Mon, 26 Oct 2020 06:18:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 12:50:48.350264
- Title: A Comprehensive Overview and Survey of Recent Advances in Meta-Learning
- Title（参考訳）: メタラーニングの総括と最近の進歩
- Authors: Huimin Peng
- Abstract要約: メタラーニングはラーニング・トゥ・ラーン(Learning-to-Lern)とも呼ばれる。
メタラーニング手法は,ブラックボックスメタラーニング,メトリックベースメタラーニング,階層型メタラーニング,ベイズ的メタラーニングフレームワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article reviews meta-learning also known as learning-to-learn which
seeks rapid and accurate model adaptation to unseen tasks with applications in
highly automated AI, few-shot learning, natural language processing and
robotics. Unlike deep learning, meta-learning can be applied to few-shot
high-dimensional datasets and considers further improving model generalization
to unseen tasks. Deep learning is focused upon in-sample prediction and
meta-learning concerns model adaptation for out-of-sample prediction.
Meta-learning can continually perform self-improvement to achieve highly
autonomous AI. Meta-learning may serve as an additional generalization block
complementary for original deep learning model. Meta-learning seeks adaptation
of machine learning models to unseen tasks which are vastly different from
trained tasks. Meta-learning with coevolution between agent and environment
provides solutions for complex tasks unsolvable by training from scratch.
Meta-learning methodology covers a wide range of great minds and thoughts. We
briefly introduce meta-learning methodologies in the following categories:
black-box meta-learning, metric-based meta-learning, layered meta-learning and
Bayesian meta-learning framework. Recent applications concentrate upon the
integration of meta-learning with other machine learning framework to provide
feasible integrated problem solutions. We briefly present recent meta-learning
advances and discuss potential future research directions.
- Abstract（参考訳）: この記事では、高度自動化されたAI、少数ショット学習、自然言語処理、ロボット工学の応用で、目に見えないタスクへの迅速かつ正確なモデル適応を求めるメタラーニングをレビューする。
ディープラーニングとは異なり、メタラーニングは数ショットの高次元データセットに適用でき、未知のタスクへのモデル一般化をさらに改善することを検討する。
ディープラーニングは、サンプル内予測とメタ学習に関するモデル適応に焦点を当てている。
メタ学習は、高度に自律的なAIを達成するために継続的に自己改善を行うことができる。
メタラーニングは、オリジナルのディープラーニングモデルに補完する追加の一般化ブロックとして機能する。
メタラーニングは、トレーニングされたタスクと大きく異なる未確認タスクへの機械学習モデルの適応を目指している。
エージェントと環境の共進化によるメタラーニングは、スクラッチからトレーニングすることで解決できない複雑なタスクのソリューションを提供する。
メタラーニングの方法論は、幅広い優れた心と考えをカバーします。
メタラーニング手法は,ブラックボックスメタラーニング,メトリックベースメタラーニング,階層型メタラーニング,ベイズ的メタラーニングフレームワークである。
近年のアプリケーションは、メタラーニングと他の機械学習フレームワークの統合に集中し、実現可能な統合問題ソリューションを提供する。
近年のメタラーニングの進歩を概説し,今後の研究の方向性について論じる。
関連論文リスト
- ConML: A Universal Meta-Learning Framework with Task-Level Contrastive Learning [49.447777286862994]
ConMLは、さまざまなメタ学習アルゴリズムに適用可能な、普遍的なメタ学習フレームワークである。
我々は、ConMLが最適化ベース、メートル法ベース、およびアモータイズベースメタ学習アルゴリズムとシームレスに統合できることを実証した。
論文 参考訳（メタデータ） (2024-10-08T12:22:10Z) - Awesome-META+: Meta-Learning Research and Learning Platform [3.7381507346856524]
Awesome-META+は、完全で信頼性の高いメタラーニングフレームワークアプリケーションと学習プラットフォームである。
このプロジェクトはメタラーニングの発展とコミュニティの拡大を促進することを目的としている。
論文 参考訳（メタデータ） (2023-04-24T03:09:25Z) - General-Purpose In-Context Learning by Meta-Learning Transformers [45.63069059498147]
本研究では,トランスフォーマーや他のブラックボックスモデルをメタトレーニングして,汎用的なインコンテキスト学習者として機能させることができることを示す。
一般化するアルゴリズム、記憶するアルゴリズム、メタトレーニングに失敗するアルゴリズム間の遷移を特徴付ける。
本稿では,学習アルゴリズムのメタトレーニングとメタ汎用化を改善するためのトレーニング分布の偏りなどの実践的介入を提案する。
論文 参考訳（メタデータ） (2022-12-08T18:30:22Z) - Learning with Limited Samples -- Meta-Learning and Applications to
Communication Systems [46.760568562468606]
メタ学習は、新しいタスクに迅速に適応できる学習アルゴリズムを最適化する。
このレビュー・モノグラフは、原則、アルゴリズム、理論、工学的応用をカバーし、メタラーニングの紹介を提供する。
論文 参考訳（メタデータ） (2022-10-03T17:15:36Z) - Learning an Explicit Hyperparameter Prediction Function Conditioned on
Tasks [62.63852372239708]
メタ学習は、観察されたタスクから機械学習の学習方法論を学び、新しいクエリタスクに一般化することを目的としている。
我々は、これらの学習手法を、全てのトレーニングタスクで共有される明示的なハイパーパラメータ予測関数の学習として解釈する。
このような設定は、メタ学習方法論が多様なクエリタスクに柔軟に適合できることを保証する。
論文 参考訳（メタデータ） (2021-07-06T04:05:08Z) - A Brief Summary of Interactions Between Meta-Learning and
Self-Supervised Learning [0.0]
本稿ではメタラーニングと自己指導型学習の関連について概説する。
メタラーニングと自己教師付き学習モデルの統合は,モデル一般化能力の向上に最も貢献できることを示す。
論文 参考訳（メタデータ） (2021-03-01T08:31:28Z) - Variable-Shot Adaptation for Online Meta-Learning [123.47725004094472]
従来のタスクから静的データにまたがるメタラーニングによって,少数の固定された例から新しいタスクを学習する問題について検討する。
メタラーニングは,従来の教師付き手法に比べて,ラベルの総数が少なく,累積性能も高いタスクセットを解く。
これらの結果から,メタラーニングは,一連の問題を継続的に学習し,改善する学習システムを構築する上で重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2020-12-14T18:05:24Z) - Online Structured Meta-learning [137.48138166279313]
現在のオンラインメタ学習アルゴリズムは、グローバルに共有されたメタラーナーを学ぶために限られている。
この制限を克服するオンライン構造化メタラーニング(OSML)フレームワークを提案する。
3つのデータセットの実験は、提案フレームワークの有効性と解釈可能性を示している。
論文 参考訳（メタデータ） (2020-10-22T09:10:31Z) - Meta-Learning in Neural Networks: A Survey [4.588028371034406]
本調査では,現代メタラーニングの展望について述べる。
まずメタラーニングの定義について議論し、関連する分野について位置づける。
そこで我々はメタラーニング手法の空間をより包括的に分析する新しい分類法を提案する。
論文 参考訳（メタデータ） (2020-04-11T16:34:24Z) - Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。
我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文 参考訳（メタデータ） (2020-02-11T01:39:12Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳（メタデータ） (2020-02-03T06:13:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。