論文の概要: Awesome-META+: Meta-Learning Research and Learning Platform
- arxiv url: http://arxiv.org/abs/2304.12921v1
- Date: Mon, 24 Apr 2023 03:09:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 19:55:08.312500
- Title: Awesome-META+: Meta-Learning Research and Learning Platform
- Title（参考訳）: Awesome-META+:メタ学習研究・学習プラットフォーム
- Authors: Jingyao Wang, Chuyuan Zhang, Ye Ding, Yuxuan Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.7381507346856524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence technology has already had a profound impact in
various fields such as economy, industry, and education, but still limited.
Meta-learning, also known as "learning to learn", provides an opportunity for
general artificial intelligence, which can break through the current AI
bottleneck. However, meta learning started late and there are fewer projects
compare with CV, NLP etc. Each deployment requires a lot of experience to
configure the environment, debug code or even rewrite, and the frameworks are
isolated. Moreover, there are currently few platforms that focus exclusively on
meta-learning, or provide learning materials for novices, for which the
threshold is relatively high. Based on this, Awesome-META+, a meta-learning
framework integration and learning platform is proposed to solve the above
problems and provide a complete and reliable meta-learning framework
application and learning platform. The project aims to promote the development
of meta-learning and the expansion of the community, including but not limited
to the following functions: 1) Complete and reliable meta-learning framework,
which can adapt to multi-field tasks such as target detection, image
classification, and reinforcement learning. 2) Convenient and simple model
deployment scheme which provide convenient meta-learning transfer methods and
usage methods to lower the threshold of meta-learning and improve efficiency.
3) Comprehensive researches for learning. 4) Objective and credible performance
analysis and thinking.
- Abstract（参考訳）: 人工知能技術はすでに経済、産業、教育といった様々な分野で大きな影響を与えているが、まだ限られている。
メタ学習(メタラーニング)は、一般的な人工知能の機会を提供するもので、現在のAIボトルネックを突破することができる。
しかしメタ学習は遅くから始まり、CVやNLPなどと比較するプロジェクトは少ない。
各デプロイメントには、環境の設定やコードのデバッグ、書き直しなど、多くの経験が必要で、フレームワークは分離されています。
さらに、現在、メタラーニングのみに焦点を当てたプラットフォームや、閾値が比較的高い初心者向けの学習教材を提供するプラットフォームは少ない。
上記の問題を解決し、完全かつ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および学習プラットフォームを提供するために、メタラーニングフレームワーク統合および学習プラットフォームであるawesome-meta+が提案されている。
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おり、以下の機能に限らない。
1) 目標検出,画像分類,強化学習などの多分野タスクに適応できる完全かつ信頼性の高いメタ学習フレームワーク。
2)メタラーニングの閾値を低くし、効率を向上させるための、便利なメタラーニング転送方法と利用方法を提供する、便利で簡単なモデル展開方式。
3)学習のための総合的な研究。
4)客観的かつ信頼性の高い性能分析と思考。
関連論文リスト
- ConML: A Universal Meta-Learning Framework with Task-Level Contrastive Learning [49.447777286862994]
ConMLは、さまざまなメタ学習アルゴリズムに適用可能な、普遍的なメタ学習フレームワークである。
我々は、ConMLが最適化ベース、メートル法ベース、およびアモータイズベースメタ学習アルゴリズムとシームレスに統合できることを実証した。
論文 参考訳（メタデータ） (2024-10-08T12:22:10Z) - Context-Aware Meta-Learning [52.09326317432577]
本研究では,大規模言語モデルのエミュレートを行うメタ学習アルゴリズムを提案する。
我々のアプローチは、11のメタラーニングベンチマークのうち8つで最先端のアルゴリズムであるP>M>Fを上回り、一致します。
論文 参考訳（メタデータ） (2023-10-17T03:35:27Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - A Metamodel and Framework for Artificial General Intelligence From
Theory to Practice [11.756425327193426]
本稿では,自律学習と適応性を大幅に向上させるメタモデルに基づく知識表現を提案する。
我々は,時系列解析,コンピュータビジョン,自然言語理解といった問題にメタモデルを適用した。
メタモデルの驚くべき結果のひとつは、新たなレベルの自律的な学習と、マシンインテリジェンスのための最適な機能を可能にするだけでなく、それを可能にすることだ。
論文 参考訳（メタデータ） (2021-02-11T16:45:58Z) - MELD: Meta-Reinforcement Learning from Images via Latent State Models [109.1664295663325]
我々は,遅延状態モデルで推論を行う画像からメタRLのアルゴリズムを開発し,新しいスキルを素早く獲得する。
MELDは、画像から現実のロボット制御設定でトレーニングされた最初のメタRLアルゴリズムである。
論文 参考訳（メタデータ） (2020-10-26T23:50:30Z) - Meta-Learning Requires Meta-Augmentation [13.16019567695033]
メタラーニングのオーバーフィッティングの2つの形態を記述し、それらが共通のベンチマークで実験的に現れることを示す。
次に,メタ拡張を議論するために情報理論の枠組みを用いる。これは,ベース学習者やモデルが自明な解を学習することを妨げるランダム性を追加する方法である。
メタ強化は,最近提案されたメタ正規化技術に対して大きな相補的利益をもたらすことを示す。
論文 参考訳（メタデータ） (2020-07-10T18:04:04Z) - 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) - 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) - Towards explainable meta-learning [5.802346990263708]
メタラーニングは、さまざまな機械学習アルゴリズムが幅広い予測タスクでどのように機能するかを発見することを目的としている。
State of the Artアプローチは、最高のメタモデルを探すことに重点を置いているが、これらの異なる側面がパフォーマンスにどのように貢献するかは説明していない。
ブラックボックスサロゲートモデルから知識を抽出するために,eXplainable Artificial Intelligence (XAI) のために開発された手法を提案する。
論文 参考訳（メタデータ） (2020-02-11T09:42:29Z) - 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。