論文の概要: Domain-Generalization to Improve Learning in Meta-Learning Algorithms

• arxiv url: http://arxiv.org/abs/2508.09418v1
• Date: Wed, 13 Aug 2025 01:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.722639
• Title: Domain-Generalization to Improve Learning in Meta-Learning Algorithms
• Title（参考訳）: メタ学習アルゴリズムにおける学習改善のためのドメイン一般化
• Authors: Usman Anjum, Chris Stockman, Cat Luong, Justin Zhan,
• Abstract要約: ドメイン一般化シャープネスを考慮した最小化モデル-非依存メタラーニング(DGS-MAML) 本稿では,学習データに制限のあるタスクを対象とするメタ学習アルゴリズムであるDGS-MAML(Domain Generalization Sharpness-Aware Minimization Model-Agnostic Meta-Learning)を提案する。 ベンチマークデータセット実験の結果,DGS-MAMLは精度と一般化の点で既存手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces Domain Generalization Sharpness-Aware Minimization Model-Agnostic Meta-Learning (DGS-MAML), a novel meta-learning algorithm designed to generalize across tasks with limited training data. DGS-MAML combines gradient matching with sharpness-aware minimization in a bi-level optimization framework to enhance model adaptability and robustness. We support our method with theoretical analysis using PAC-Bayes and convergence guarantees. Experimental results on benchmark datasets show that DGS-MAML outperforms existing approaches in terms of accuracy and generalization. The proposed method is particularly useful for scenarios requiring few-shot learning and quick adaptation, and the source code is publicly available at GitHub.
• Abstract（参考訳）: 本稿では,学習データに制限のあるタスクを対象とするメタ学習アルゴリズムであるDGS-MAML(Domain Generalization Sharpness-Aware Minimization Model-Agnostic Meta-Learning)を提案する。 DGS-MAMLは、モデル適応性とロバスト性を高めるために、2レベル最適化フレームワークにおいて、勾配マッチングとシャープネス対応の最小化を組み合わせる。 PAC-Bayesと収束保証を用いた理論的解析により,本手法を支援する。 ベンチマークデータセット実験の結果,DGS-MAMLは精度と一般化の点で既存手法よりも優れていた。 提案手法は,数発の学習と迅速な適応を必要とするシナリオで特に有用であり,ソースコードはGitHubで公開されている。

関連論文リスト

• One-Class Domain Adaptation via Meta-Learning [0.5937476291232802]
  IoT(IoT of Things)センサーベースの機械学習モデルの産業システムへの展開により、異常分類タスクが大きな課題となっている。 したがって、ある環境から別の環境へ効果的に移行できる適応型機械学習モデルを開発することが重要である。 我々は,任意の二段階メタ学習アルゴリズムをOC-DAに適応させるタスクサンプリング戦略を提案した。 OC-DA MAMLアルゴリズムはRainbow-MNISTメタラーニングベンチマークと実際の振動に基づくセンサ読み取りのデータセットで評価される。
  論文  参考訳（メタデータ） (2025-01-22T18:01:24Z)
• Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior: From Theory to Practice [54.03076395748459]
  メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。 本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。 PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
  論文  参考訳（メタデータ） (2022-11-14T08:51:04Z)
• Adaptive Meta-learner via Gradient Similarity for Few-shot Text Classification [11.035878821365149]
  本稿では, モデル一般化能力の向上を図るため, 適応型メタラーナをグラディエント類似性(AMGS)を介して提案する。 いくつかのベンチマークによる実験結果から,提案したAMGSは連続的にテキスト分類性能を向上することが示された。
  論文  参考訳（メタデータ） (2022-09-10T16:14:53Z)
• Provable Generalization of Overparameterized Meta-learning Trained with SGD [62.892930625034374]
  我々は、広く使われているメタラーニング手法、モデル非依存メタラーニング(MAML)の一般化について研究する。 我々は、MAMLの過大なリスクに対して、上界と下界の両方を提供し、SGDダイナミクスがこれらの一般化境界にどのように影響するかをキャプチャする。 理論的知見は実験によってさらに検証される。
  論文  参考訳（メタデータ） (2022-06-18T07:22:57Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• B-SMALL: A Bayesian Neural Network approach to Sparse Model-Agnostic Meta-Learning [2.9189409618561966]
  本稿では,b-smallアルゴリズムと呼ぶベイズ型ニューラルネットワークに基づくmamlアルゴリズムを提案する。 分類タスクと回帰タスクを用いたB-MAMLのパフォーマンスを実証し、MDLを用いたスパーシファイングBNNのトレーニングがモデルのパラメータフットプリントを実際に改善することを強調した。
  論文  参考訳（メタデータ） (2021-01-01T09:19:48Z)
• Theoretical Convergence of Multi-Step Model-Agnostic Meta-Learning [63.64636047748605]
  一般的なマルチステップMAMLアルゴリズムに対して収束保証を提供するための新しい理論フレームワークを開発する。 特に,本研究の結果は,収束を保証するためには,内部段階のステップを逆比例して$N$の内段ステップを選択する必要があることを示唆している。
  論文  参考訳（メタデータ） (2020-02-18T19:17:54Z)
• PACOH: Bayes-Optimal Meta-Learning with PAC-Guarantees [77.67258935234403]
  PAC-Bayesianフレームワークを用いた理論的解析を行い、メタ学習のための新しい一般化境界を導出する。 我々は、性能保証と原則付きメタレベル正規化を備えたPAC最適メタ学習アルゴリズムのクラスを開発する。
  論文  参考訳（メタデータ） (2020-02-13T15:01:38Z)

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。