論文の概要: learn2learn: A Library for Meta-Learning Research

• arxiv url: http://arxiv.org/abs/2008.12284v2
• Date: Fri, 28 Aug 2020 03:48:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 07:10:35.684869
• Title: learn2learn: A Library for Meta-Learning Research
• Title（参考訳）: Learn2learn: メタ学習研究のためのライブラリ
• Authors: S\'ebastien M. R. Arnold, Praateek Mahajan, Debajyoti Datta, Ian Bunner, Konstantinos Saitas Zarkias
• Abstract要約: Learn2learnは、プロトタイピングと機能性問題を解決することに焦点を当てた、メタラーニング研究のためのライブラリである。 Learn2learnは、その上にアルゴリズムとベンチマークの標準化されたインターフェースを構築する。 learn2learnを無償かつオープンソースライセンスでリリースすることで、メタ学習研究のための標準化されたソフトウェアに関するコミュニティを育成したいと思っています。
• 参考スコア（独自算出の注目度）: 2.8688643489783496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meta-learning researchers face two fundamental issues in their empirical work: prototyping and reproducibility. Researchers are prone to make mistakes when prototyping new algorithms and tasks because modern meta-learning methods rely on unconventional functionalities of machine learning frameworks. In turn, reproducing existing results becomes a tedious endeavour -- a situation exacerbated by the lack of standardized implementations and benchmarks. As a result, researchers spend inordinate amounts of time on implementing software rather than understanding and developing new ideas. This manuscript introduces learn2learn, a library for meta-learning research focused on solving those prototyping and reproducibility issues. learn2learn provides low-level routines common across a wide-range of meta-learning techniques (e.g. meta-descent, meta-reinforcement learning, few-shot learning), and builds standardized interfaces to algorithms and benchmarks on top of them. In releasing learn2learn under a free and open source license, we hope to foster a community around standardized software for meta-learning research.
• Abstract（参考訳）: メタラーニング研究者は経験的作業において、プロトタイピングと再現性という2つの根本的な問題に直面している。 現代のメタ学習手法は、機械学習フレームワークの非伝統的な機能に依存しているため、研究者たちは新しいアルゴリズムやタスクのプロトタイピングで間違いを犯しやすい。 結果として、既存の結果の再現は退屈な努力となり、標準化された実装とベンチマークの欠如によって悪化する状況になる。 その結果、研究者は新しいアイデアを理解し開発するのではなく、ソフトウェアの実装に多くの時間を費やした。 この原稿は、プロトタイピングと再現性の問題を解決することに焦点を当てたメタラーニング研究のためのライブラリであるLearner2learnを紹介する。 learn2learnは、幅広いメタラーニング技術(メタディフレッシュ、メタ強化学習、数ショット学習など)に共通する低レベルのルーチンを提供し、その上にアルゴリズムとベンチマークの標準化されたインターフェースを構築する。 learn2learnを無償かつオープンソースライセンスでリリースすることで、メタ学習研究のための標準化されたソフトウェアに関するコミュニティを育成したいと思っています。

関連論文リスト

• 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)
• 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)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Avalanche: an End-to-End Library for Continual Learning [81.84325803942811]
  PyTorchをベースとした継続的学習研究のためのオープンソースライブラリであるAvalancheを提案する。 avalancheは、継続的学習アルゴリズムの高速プロトタイピング、トレーニング、再現可能な評価のための共有とコラボレーションを提供するように設計されている。
  論文  参考訳（メタデータ） (2021-04-01T11:31:46Z)
• 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)
• Meta-Meta Classification for One-Shot Learning [11.27833234287093]
  メタメタ分類(メタメタ分類)と呼ばれる,小さなデータ設定で学習する新しい手法を提案する。 このアプローチでは、学習者の集合を設計するために大量の学習問題を使用し、各学習者は高いバイアスと低い分散を持つ。 本研究では,一対一で一対一の分類課題に対するアプローチの評価を行い,従来のメタラーニングやアンサンブルアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-17T07:05:03Z)
• A Comprehensive Overview and Survey of Recent Advances in Meta-Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2020-04-17T03:11:08Z)
• 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)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Unraveling Meta-Learning: Understanding Feature Representations for Few-Shot Tasks [55.66438591090072]
  メタラーニングの基礎となる力学と、メタラーニングを用いて訓練されたモデルと古典的に訓練されたモデルの違いをよりよく理解する。 数ショット分類のための標準訓練ルーチンの性能を高める正則化器を開発した。
  論文  参考訳（メタデータ） (2020-02-17T03:18:45Z)

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。