Fugu-MT 論文翻訳(概要): Meta-learning approaches for few-shot learning: A survey of recent advances

論文の概要: Meta-learning approaches for few-shot learning: A survey of recent advances

arxiv url: http://arxiv.org/abs/2303.07502v1
Date: Mon, 13 Mar 2023 22:20:39 GMT
ステータス: 処理完了
システム内更新日: 2023-03-15 17:11:32.584210
Title: Meta-learning approaches for few-shot learning: A survey of recent advances
Title（参考訳）: 数ショット学習のためのメタラーニングアプローチ:最近の進歩に関する調査
Authors: Hassan Gharoun, Fereshteh Momenifar, Fang Chen, and Amir H. Gandomi
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.052118555436081
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite its astounding success in learning deeper multi-dimensional data, the performance of deep learning declines on new unseen tasks mainly due to its focus on same-distribution prediction. Moreover, deep learning is notorious for poor generalization from few samples. Meta-learning is a promising approach that addresses these issues by adapting to new tasks with few-shot datasets. This survey first briefly introduces meta-learning and then investigates state-of-the-art meta-learning methods and recent advances in: (I) metric-based, (II) memory-based, (III), and learning-based methods. Finally, current challenges and insights for future researches are discussed.
Abstract（参考訳）: 深い多次元データを学ぶという驚くべき成功にもかかわらず、深層学習のパフォーマンスは、主に同分布予測に焦点が当てられ、目に見えない新しいタスクに低下する。さらに、ディープラーニングは、少数のサンプルからの一般化が不十分なことで悪名高い。メタ学習は、数ショットのデータセットで新しいタスクに適応することで、これらの問題に対処する有望なアプローチである。本調査では,まずメタラーニングについて概説し,最新メタラーニング手法と最近の進歩について考察する。最後に,今後の研究に向けた課題と洞察について述べる。

関連論文リスト

When Meta-Learning Meets Online and Continual Learning: A Survey [39.53836535326121]
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)
Knowledge-Aware Meta-learning for Low-Resource Text Classification [87.89624590579903]
本稿では,低リソーステキスト分類問題について検討し,メタトレーニングとメタテストのギャップを埋める。抽出した文固有知識グラフから学習した各文に対する追加表現を提案する。
論文参考訳（メタデータ） (2021-09-10T07:20:43Z)
Lessons from Chasing Few-Shot Learning Benchmarks: Rethinking the Evaluation of Meta-Learning Methods [9.821362920940631]
メタラーニングのための簡単なベースライン、FIX-MLを紹介します。メタラーニングの2つの可能性を探る:(i)トレーニングセット(in-distriion)を生成する同じタスク分布に一般化する手法を開発する、(ii)新しい未確認タスク分布(out-of-distriion)に一般化する手法を開発する。本研究は,この領域の進歩を推論するためには,メタラーニングの目標を明確に説明し,より適切な評価戦略を開発する必要があることを強調した。
論文参考訳（メタデータ） (2021-02-23T05:34:30Z)
Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。パターン認識型メタラーニング手法を提案する。
論文参考訳（メタデータ） (2020-10-19T08:06:47Z)
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)
Deep Learning for Change Detection in Remote Sensing Images: Comprehensive Review and Meta-Analysis [12.462608802359936]
まず,変化検出に頻繁に採用される深層学習法の基本について紹介する。そこで本研究では,リモートセンシング画像の深層学習に基づく変化検出手法に着目し,既存の手法の概要を概説する。これらの調査の結果、今後の研究のために、将来有望な新たな方向性が特定された。
論文参考訳（メタデータ） (2020-06-10T02:14:08Z)
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)
Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文参考訳（メタデータ） (2020-03-17T13:40:00Z)
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)
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)

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。