論文の概要: Compositional meta-learning through probabilistic task inference

• arxiv url: http://arxiv.org/abs/2510.01858v1
• Date: Thu, 02 Oct 2025 09:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.262727
• Title: Compositional meta-learning through probabilistic task inference
• Title（参考訳）: 確率的タスク推論による構成メタラーニング
• Authors: Jacob J. W. Bakermans, Pablo Tano, Reidar Riveland, Charles Findling, Alexandre Pouget,
• Abstract要約: 本稿では,タスクを再利用可能な計算の構造化組み合わせとして表現する合成メタラーニングモデルを提案する。 このアプローチは、新しいタスクの学習を確率論的推論問題に変換する。 単一の例から新しいソリューションを素早く推測する能力を示す。
• 参考スコア（独自算出の注目度）: 35.701036869822836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To solve a new task from minimal experience, it is essential to effectively reuse knowledge from previous tasks, a problem known as meta-learning. Compositional solutions, where common elements of computation are flexibly recombined into new configurations, are particularly well-suited for meta-learning. Here, we propose a compositional meta-learning model that explicitly represents tasks as structured combinations of reusable computations. We achieve this by learning a generative model that captures the underlying components and their statistics shared across a family of tasks. This approach transforms learning a new task into a probabilistic inference problem, which allows for finding solutions without parameter updates through highly constrained hypothesis testing. Our model successfully recovers ground truth components and statistics in rule learning and motor learning tasks. We then demonstrate its ability to quickly infer new solutions from just single examples. Together, our framework joins the expressivity of neural networks with the data-efficiency of probabilistic inference to achieve rapid compositional meta-learning.
• Abstract（参考訳）: 新しいタスクを最小限の経験から解くためには、メタラーニング(メタラーニング)と呼ばれる従来のタスクからの知識を効果的に再利用することが不可欠である。 計算の共通要素が柔軟に新しい構成に組み換えられる構成的ソリューションは、メタ学習に特に適している。 本稿では,タスクを再利用可能な計算の構造化組み合わせとして明示的に表現する合成メタラーニングモデルを提案する。 タスクのファミリー間で共有される基礎となるコンポーネントとその統計をキャプチャする生成モデルを学ぶことで、これを実現する。 このアプローチは、新しいタスクの学習を確率論的推論問題に変換し、高度に制約された仮説テストを通じてパラメータ更新なしで解を見つけることができる。 本モデルでは,ルール学習とモータ学習における基礎的真理成分と統計値の回復に成功している。 そして、単一の例から新しいソリューションを素早く推測する能力を示す。 本稿では,ニューラルネットワークの表現力と確率論的推論のデータ効率を合わせて,高速な合成メタ学習を実現する。

関連論文リスト

• Rethinking Meta-Learning from a Learning Lens [35.98940987691948]
  メタラーニングの理論的理解と実践的実践のギャップを埋める方法について考察する。 タスク関係を利用してメタ学習を校正するプラグイン・アンド・プレイ方式TRLearnerを提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:00:16Z)
• Concept Discovery for Fast Adapatation [42.81705659613234]
  データ特徴間の構造をメタラーニングすることで、より効果的な適応を実現する。 提案手法は,概念ベースモデル非依存メタラーニング(COMAML)を用いて,合成されたデータセットと実世界のデータセットの両方に対して,構造化データの一貫した改善を実現する。
  論文  参考訳（メタデータ） (2023-01-19T02:33:58Z)
• Improving Meta-learning for Low-resource Text Classification and Generation via Memory Imitation [87.98063273826702]
  本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。 本手法の有効性を証明するために理論的解析を行った。
  論文  参考訳（メタデータ） (2022-03-22T12:41:55Z)
• Importance Weighted Policy Learning and Adaptation [89.46467771037054]
  政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。 このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。 提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
  論文  参考訳（メタデータ） (2020-09-10T14:16:58Z)
• Probabilistic Active Meta-Learning [15.432006404678981]
  先行経験に基づくタスク選択をメタ学習アルゴリズムに導入する。 シミュレーションロボット実験の強いベースラインと比較して,本手法がデータ効率を向上させるという実証的証拠を提供する。
  論文  参考訳（メタデータ） (2020-07-17T12:51:42Z)
• Meta-Reinforcement Learning Robust to Distributional Shift via Model Identification and Experience Relabeling [126.69933134648541]
  本稿では,テスト時にアウト・オブ・ディストリビューション・タスクに直面した場合に,効率よく外挿できるメタ強化学習アルゴリズムを提案する。 我々の手法は単純な洞察に基づいており、動的モデルが非政治データに効率的かつ一貫して適応可能であることを認識している。
  論文  参考訳（メタデータ） (2020-06-12T13:34:46Z)
• Continual Learning using a Bayesian Nonparametric Dictionary of Weight Factors [75.58555462743585]
  訓練されたニューラルネットワークは、シーケンシャルなタスク設定で破滅的な忘れを経験する傾向がある。 Indian Buffet Process (IBP) に基づく原則的非パラメトリック手法を提案する。 連続学習ベンチマークにおける本手法の有効性を実証し、トレーニングを通して重み要因の配分と再利用方法を分析する。
  論文  参考訳（メタデータ） (2020-04-21T15:20:19Z)
• 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)
• Automated Relational Meta-learning [95.02216511235191]
  本稿では,クロスタスク関係を自動的に抽出し,メタ知識グラフを構築する自動リレーショナルメタ学習フレームワークを提案する。 我々は,2次元玩具の回帰と少数ショット画像分類に関する広範な実験を行い,ARMLが最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-03T07:02:25Z)

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。