Fugu-MT 論文翻訳(概要): A Concise Review of Recent Few-shot Meta-learning Methods

論文の概要: A Concise Review of Recent Few-shot Meta-learning Methods

arxiv url: http://arxiv.org/abs/2005.10953v1
Date: Fri, 22 May 2020 00:39:14 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 08:13:07.023544
Title: A Concise Review of Recent Few-shot Meta-learning Methods
Title（参考訳）: 最近のメタラーニング手法の簡潔な検証
Authors: Xiaoxu Li and Zhuo Sun and Jing-Hao Xue and Zhanyu Ma
Abstract要約: メタラーニングは、人類の先行知識に基づく新しい概念への迅速な適応を模倣することを期待して、最近復活している。本稿では,最近のメタラーニングにおける代表的手法について,技術的特徴に応じて4つの分野に分類した簡潔なレビューを行う。
参考スコア（独自算出の注目度）: 49.8223468170757
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Few-shot meta-learning has been recently reviving with expectations to mimic humanity's fast adaption to new concepts based on prior knowledge. In this short communication, we give a concise review on recent representative methods in few-shot meta-learning, which are categorized into four branches according to their technical characteristics. We conclude this review with some vital current challenges and future prospects in few-shot meta-learning.
Abstract（参考訳）: 少数のメタラーニングが最近復活し、以前の知識に基づいた新しい概念への人類の迅速な適応を模倣する期待に応えている。本稿では,最近のメタラーニングにおける代表的手法について,技術的特徴から4つの分野に分類した簡潔なレビューを行う。我々はこのレビューを,少数のメタラーニングにおける重要な課題と今後の展望で締めくくった。

関連論文リスト

Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。これらの手法間の関係を解析し,その強みと限界を比較する。
論文参考訳（メタデータ） (2024-02-02T14:32:42Z)
Meta-learning approaches for few-shot learning: A survey of recent advances [12.052118555436081]
深層多次元データ学習の成功にもかかわらず、ディープラーニングの性能は、新しい目に見えないタスクで低下する。ディープラーニングは、サンプルの少ない一般化が不十分なことで悪名高い。この調査はまずまずメタラーニングを紹介し,次に最先端のメタラーニング手法について検討する。
論文参考訳（メタデータ） (2023-03-13T22:20:39Z)
On the Effectiveness of Fine-tuning Versus Meta-reinforcement Learning [71.55412580325743]
本稿では,新しいタスクを微調整したマルチタスク事前学習がメタテスト時間適応によるメタ事前学習と同等かそれ以上に機能することを示す。マルチタスク事前学習はメタRLよりもシンプルで計算的に安価である傾向があるため、これは将来の研究を奨励している。
論文参考訳（メタデータ） (2022-06-07T13:24:00Z)
A Survey of Deep Meta-Learning [1.2891210250935143]
ディープニューラルネットワークは、巨大なデータセットと十分な計算リソースを提示することで、大きな成功を収めることができる。しかし、新しい概念を素早く習得する能力は限られている。ディープメタラーニング(Deep Meta-Learning)は、ネットワークが学習方法を学ぶことを可能にすることでこの問題に対処するアプローチのひとつだ。
論文参考訳（メタデータ） (2020-10-07T17:09:02Z)
Learning from Few Samples: A Survey [1.4146420810689422]
コンピュータビジョン領域における既存の数ショットメタ学習手法について,その手法と評価指標に基づいて検討する。我々は、これらの技術のための分類法を提供し、それらをデータ拡張、埋め込み、最適化、セマンティクスに基づく学習に分類する。
論文参考訳（メタデータ） (2020-07-30T14:28:57Z)
MetaConcept: Learn to Abstract via Concept Graph for Weakly-Supervised Few-Shot Learning [17.332915753143556]
概念グラフを通して概念を抽象化することを学ぶメタコンセプトと呼ばれる新しいメタ学習フレームワークを提案する。提案したMetaConceptは,2%から6%の精度で最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2020-07-05T16:29:09Z)
Online Fast Adaptation and Knowledge Accumulation: a New Approach to Continual Learning [74.07455280246212]
継続的な学習は、新しいタスクに適応しながら、以前のタスクを忘れずにタスクの流れから学ぶエージェントを研究する。この新たなシナリオでは、現在の連続学習、メタ学習、メタ連続学習、および連続メタ学習技術が失敗することを示します。本稿では,このシナリオの強力なベースラインとして,人気のあるMAMLアルゴリズムのオンライン拡張であるContinual-MAMLを提案する。
論文参考訳（メタデータ） (2020-03-12T15:47:16Z)
Meta-Baseline: Exploring Simple Meta-Learning for Few-Shot Learning [79.25478727351604]
評価基準に基づいて,分類済みモデル全体に対するメタラーニング(メタラーニング)を提案する。我々は,この単純な手法が標準ベンチマークにおける最先端手法との競合性能を達成するのを観察する。
論文参考訳（メタデータ） (2020-03-09T20:06:36Z)
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。