論文の概要: Learning with Limited Samples -- Meta-Learning and Applications to Communication Systems

• arxiv url: http://arxiv.org/abs/2210.02515v1
• Date: Mon, 3 Oct 2022 17:15:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 16:01:28.766472
• Title: Learning with Limited Samples -- Meta-Learning and Applications to Communication Systems
• Title（参考訳）: 限られたサンプルによる学習--メタラーニングと通信システムへの応用
• Authors: Lisha Chen, Sharu Theresa Jose, Ivana Nikoloska, Sangwoo Park, Tianyi Chen, Osvaldo Simeone
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.760568562468606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved remarkable success in many machine learning tasks such as image classification, speech recognition, and game playing. However, these breakthroughs are often difficult to translate into real-world engineering systems because deep learning models require a massive number of training samples, which are costly to obtain in practice. To address labeled data scarcity, few-shot meta-learning optimizes learning algorithms that can efficiently adapt to new tasks quickly. While meta-learning is gaining significant interest in the machine learning literature, its working principles and theoretic fundamentals are not as well understood in the engineering community. This review monograph provides an introduction to meta-learning by covering principles, algorithms, theory, and engineering applications. After introducing meta-learning in comparison with conventional and joint learning, we describe the main meta-learning algorithms, as well as a general bilevel optimization framework for the definition of meta-learning techniques. Then, we summarize known results on the generalization capabilities of meta-learning from a statistical learning viewpoint. Applications to communication systems, including decoding and power allocation, are discussed next, followed by an introduction to aspects related to the integration of meta-learning with emerging computing technologies, namely neuromorphic and quantum computing. The monograph is concluded with an overview of open research challenges.
• Abstract（参考訳）: ディープラーニングは、画像分類、音声認識、ゲームプレイなど、多くの機械学習タスクで顕著な成功を収めた。 しかし、ディープラーニングモデルには大量のトレーニングサンプルが必要であり、実際に取得するにはコストがかかるため、これらのブレークスルーを現実のエンジニアリングシステムに変換するのは難しい。 ラベル付きデータの不足に対処するために、少数のメタラーニングは、新しいタスクに素早く適応できる学習アルゴリズムを最適化する。 メタラーニングは機械学習の文献に大きな関心を集めているが、その作業原理と理論の基本はエンジニアリングコミュニティではあまり理解されていない。 この記事では、原則、アルゴリズム、理論、エンジニアリングアプリケーションを取り上げ、メタラーニングについて紹介する。 従来の学習と共同学習との比較でメタラーニングを導入した後、主要なメタラーニングアルゴリズムとメタラーニング手法の定義のための一般的な二段階最適化フレームワークについて述べる。 次に,統計的学習の観点からメタラーニングの一般化能力に関する既知の結果を要約する。 次に、復号化や電力割り当てを含む通信システムへの応用について論じ、その後、メタラーニングと新しいコンピューティング技術、すなわちニューロモルフィックと量子コンピューティングの統合に関連する側面を紹介した。 monographはオープンリサーチの課題の概要で締めくくられている。

関連論文リスト

• Informed Meta-Learning [55.2480439325792]
  メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。 我々は,非構造化知識表現からの事前の取り込みを容易にする,情報メタラーニングというハイブリッドパラダイムを定式化する。 データ効率、観測ノイズに対する堅牢性、タスク分散シフトを改善する上で、情報メタラーニングの潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• When Meta-Learning Meets Online and Continual Learning: A Survey [44.437160324905726]
  メタ学習は学習アルゴリズムを最適化するためのデータ駆動型アプローチである。 継続的な学習とオンライン学習はどちらも、ストリーミングデータでモデルを漸進的に更新する。 本稿では,一貫した用語と形式記述を用いて,様々な問題設定を整理する。
  論文  参考訳（メタデータ） (2023-11-09T09:49:50Z)
• Advances and Challenges in Meta-Learning: A Technical Review [7.149235250835041]
  メタ学習は、複数のタスクから知識を得る能力を持つ学習システムに力を与える。 このレビューは、データの不足や入手コストの低い実世界のアプリケーションにおいて、その重要性を強調している。
  論文  参考訳（メタデータ） (2023-07-10T17:32:15Z)
• Meta Learning for Natural Language Processing: A Survey [88.58260839196019]
  ディープラーニングは自然言語処理(NLP)分野において主要な技術である。 ディープラーニングには多くのラベル付きデータが必要です。 メタ学習は、より良いアルゴリズムを学ぶためのアプローチを研究する機械学習の分野である。
  論文  参考訳（メタデータ） (2022-05-03T13:58:38Z)
• 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)
• 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)
• 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)
• 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。