論文の概要: MetaDelta: A Meta-Learning System for Few-shot Image Classification
- arxiv url: http://arxiv.org/abs/2102.10744v1
- Date: Mon, 22 Feb 2021 02:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 15:21:55.790494
- Title: MetaDelta: A Meta-Learning System for Few-shot Image Classification
- Title（参考訳）: MetaDelta: フェーショット画像分類のためのメタラーニングシステム
- Authors: Yudong Chen, Chaoyu Guan, Zhikun Wei, Xin Wang, Wenwu Zhu
- Abstract要約: 数ショット画像分類のための新しいメタ学習システムであるMetaDeltaを提案する。
MetaDeltaの各メタラーナーは、バッチトレーニングによって微調整された独自の事前訓練エンコーダと、予測に使用されるパラメータフリーデコーダで構成されている。
- 参考スコア（独自算出の注目度）: 71.06324527247423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Meta-learning aims at learning quickly on novel tasks with limited data by
transferring generic experience learned from previous tasks. Naturally,
few-shot learning has been one of the most popular applications for
meta-learning. However, existing meta-learning algorithms rarely consider the
time and resource efficiency or the generalization capacity for unknown
datasets, which limits their applicability in real-world scenarios. In this
paper, we propose MetaDelta, a novel practical meta-learning system for the
few-shot image classification. MetaDelta consists of two core components: i)
multiple meta-learners supervised by a central controller to ensure efficiency,
and ii) a meta-ensemble module in charge of integrated inference and better
generalization. In particular, each meta-learner in MetaDelta is composed of a
unique pretrained encoder fine-tuned by batch training and parameter-free
decoder used for prediction. MetaDelta ranks first in the final phase in the
AAAI 2021 MetaDL
Challenge\footnote{https://competitions.codalab.org/competitions/26638},
demonstrating the advantages of our proposed system. The codes are publicly
available at https://github.com/Frozenmad/MetaDelta.
- Abstract（参考訳）: メタラーニングは、従来のタスクから学んだ汎用的な経験を伝達することで、限られたデータで新しいタスクを素早く学習することを目指しています。
当然ながら、数ショット学習はメタ学習の最も一般的なアプリケーションの1つです。
しかし、既存のメタ学習アルゴリズムでは、未知のデータセットの時間とリソース効率や一般化能力を考慮することはめったにない。
本論文では,数ショット画像分類のための新しい実用的メタラーニングシステムであるMetaDeltaを提案する。
MetaDeltaは2つのコアコンポーネントから構成される: i) 中央コントローラが管理する複数のメタラーナーで効率を確保、i) 統合推論とより良い一般化を担当するメタアンサンブルモジュール。
特にMetaDeltaの各メタラーナーは、バッチトレーニングによって微調整された独自の事前訓練エンコーダと、予測に使用されるパラメータフリーデコーダで構成されている。
MetaDelta は AAAI 2021 MetaDL Challenge\footnote{https://competitions.codalab.org/competitions/26638} の最終段階にランクインし、提案システムの利点を実証した。
コードはhttps://github.com/Frozenmad/MetaDelta.comで公開されている。
関連論文リスト
- Does MAML Only Work via Feature Re-use? A Data Centric Perspective [19.556093984142418]
メタ学習型MAMLの表現機能に光を当てた経験的結果を提供する。
機能再使用の低さをもたらす合成ベンチマークのファミリを定義することが可能であることを示す。
メタラーニングを再考する上での課題は、数ショットの学習データセットとベンチマークの設計にあると推測する。
論文 参考訳（メタデータ） (2021-12-24T20:18:38Z) - Combining Domain-Specific Meta-Learners in the Parameter Space for
Cross-Domain Few-Shot Classification [6.945139522691311]
ドメイン特化メタラーナー(CosML)を組み合わせた最適化型メタラーニング手法を提案する。
実験の結果,CosMLは最先端の手法よりも優れ,クロスドメイン能力の強力な一般化を実現していることがわかった。
論文 参考訳（メタデータ） (2020-10-31T03:33:39Z) - MetaMix: Improved Meta-Learning with Interpolation-based Consistency
Regularization [14.531741503372764]
バックボーンモデルを正規化するためのMetaMixという手法を提案する。
各エピソード内で仮想フィーチャとターゲットのペアを生成し、バックボーンモデルを標準化する。
任意のMAMLベースのアルゴリズムと統合でき、新しいタスクをより一般化した決定境界を学ぶことができる。
論文 参考訳（メタデータ） (2020-09-29T02:44:13Z) - BOML: A Modularized Bilevel Optimization Library in Python for Meta
Learning [52.90643948602659]
BOMLはモジュール化された最適化ライブラリで、いくつかのメタ学習アルゴリズムを共通の双方向最適化フレームワークに統合する。
さまざまなイテレーションモジュールとともに階層的な最適化パイプラインを提供し、メタ学習メソッドの主流カテゴリを解決するために使用できる。
論文 参考訳（メタデータ） (2020-09-28T14:21:55Z) - Improving Generalization in Meta-learning via Task Augmentation [69.83677015207527]
本稿ではMetaMixとChannel Shuffleの2つのタスク拡張手法を提案する。
MetaMixとChannel Shuffleはどちらも、多くのデータセットにまたがる大きなマージンによって、最先端の結果を上回っている。
論文 参考訳（メタデータ） (2020-07-26T01:50:42Z) - 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) - Meta-Learning across Meta-Tasks for Few-Shot Learning [107.44950540552765]
我々は,メタ・ラーニングを支援するために,メタ・タスク間の関係を活用すべきであり,これらのタスクを戦略的にサンプリングするべきだと論じている。
2種類のメタタスクペアで定義された関係を考察し、それらを活用するための異なる戦略を提案する。
論文 参考訳（メタデータ） (2020-02-11T09:25:13Z) - 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)
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。