論文の概要: Multimodality in Meta-Learning: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2109.13576v1
• Date: Tue, 28 Sep 2021 09:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 23:32:20.985326
• Title: Multimodality in Meta-Learning: A Comprehensive Survey
• Title（参考訳）: メタラーニングにおけるマルチモーダリティ:包括的調査
• Authors: Yao Ma, Shilin Zhao, Weixiao Wang, Yaoman Li, Irwin King
• Abstract要約: このサーベイは、マルチモーダリティに基づくメタラーニングの展望を概観する。 我々はまず,メタラーニングとマルチモーダリティの定義と,この成長分野における研究課題を定式化する。 そこで我々は,マルチモーダルタスクと組み合わせた典型的なメタ学習アルゴリズムを体系的に議論する新しい分類法を提案する。
• 参考スコア（独自算出の注目度）: 34.69292359136745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meta-learning has gained wide popularity as a training framework that is more data-efficient than traditional machine learning methods. However, its generalization ability in complex task distributions, such as multimodal tasks, has not been thoroughly studied. Recently, some studies on multimodality-based meta-learning have emerged. This survey provides a comprehensive overview of the multimodality-based meta-learning landscape in terms of the methodologies and applications. We first formalize the definition of meta-learning and multimodality, along with the research challenges in this growing field, such as how to enrich the input in few-shot or zero-shot scenarios and how to generalize the models to new tasks. We then propose a new taxonomy to systematically discuss typical meta-learning algorithms combined with multimodal tasks. We investigate the contributions of related papers and summarize them by our taxonomy. Finally, we propose potential research directions for this promising field.
• Abstract（参考訳）: メタ学習は、従来の機械学習手法よりもデータ効率のよいトレーニングフレームワークとして広く普及している。 しかし、マルチモーダルタスクのような複雑なタスク分布における一般化能力は、十分に研究されていない。 近年,マルチモーダリティに基づくメタラーニングの研究が盛んである。 本調査は,マルチモーダリティに基づくメタラーニングの展望を方法論と応用の観点から概観する。 まず、メタラーニングとマルチモーダリティの定義と、この成長分野における研究課題、例えば、少数ショットやゼロショットのシナリオでのインプットの強化方法、新しいタスクにモデルを一般化する方法などについて定式化する。 次に,マルチモーダルタスクと組み合わせた典型的なメタ学習アルゴリズムを体系的に議論する新しい分類法を提案する。 関連論文の貢献を調査し,分類学的にまとめる。 最後に、この有望な分野に対する潜在的研究の方向性を提案する。

関連論文リスト

• Few-shot Multi-Task Learning of Linear Invariant Features with Meta Subspace Pursuit [9.421309916099428]
  メタサブスペース探索法(Meta-SPと略す)と呼ばれる新しいアルゴリズムを提案する。 そこで我々はMeta-SP(Meta Subspace Pursuit)と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-04T13:44:22Z)
• Generative Multi-Modal Knowledge Retrieval with Large Language Models [75.70313858231833]
  マルチモーダル知識検索のための革新的なエンドツーエンド生成フレームワークを提案する。 我々のフレームワークは,大規模言語モデル(LLM)が仮想知識ベースとして効果的に機能するという事実を生かしている。 強いベースラインと比較すると,すべての評価指標に対して3.0%から14.6%の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-01-16T08:44:29Z)
• Meta-learning in healthcare: A survey [3.245586096021802]
  メタラーニングは、事前の知識と経験を利用することで、モデルの能力を改善することを目的としている。 まず,メタラーニングの理論的基礎と重要な方法について述べる。 次に、医療分野で採用されているメタラーニングのアプローチを、マルチ/シングルタスク学習とマルチ/ショット学習の2つの主要なカテゴリに分けます。
  論文  参考訳（メタデータ） (2023-08-05T13:11:35Z)
• Meta Omnium: A Benchmark for General-Purpose Learning-to-Learn [15.0841751679151]
  複数のビジョンタスクにまたがるデータセットであるMeta Omniumを紹介する。 我々は、タスクをまたいで一般化し、それらの間の知識を伝達する能力を分析する。
  論文  参考訳（メタデータ） (2023-05-12T17:25:19Z)
• Multimodality Representation Learning: A Survey on Evolution, Pretraining and Its Applications [47.501121601856795]
  マルチモダリティ表現学習は、異なるモダリティとそれらの相関から情報を埋め込む学習手法である。 異なるモダリティからのクロスモーダル相互作用と補完情報は、高度なモデルが任意のマルチモーダルタスクを実行するために不可欠である。 本調査では,深層学習型マルチモーダルアーキテクチャの進化と拡張に関する文献を報告する。
  論文  参考訳（メタデータ） (2023-02-01T11:48:34Z)
• The Effect of Diversity in Meta-Learning [79.56118674435844]
  少ないショット学習は、少数の例から見れば、新しいタスクに対処できる表現を学習することを目的としている。 近年の研究では,タスク分布がモデルの性能に重要な役割を担っていることが示されている。 タスクの多様性がメタ学習アルゴリズムに与える影響を評価するために,多種多様なモデルとデータセットのタスク分布について検討する。
  論文  参考訳（メタデータ） (2022-01-27T19:39:07Z)
• Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
  現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。 タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。 実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T20:15:34Z)
• 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)
• Provable Meta-Learning of Linear Representations [114.656572506859]
  我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。 また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
  論文  参考訳（メタデータ） (2020-02-26T18:21:34Z)
• 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。