论文阅读笔记《Task-Agnostic Meta-Learning for Few-shot Learning》
核心思想 本文提出了一种基于任务无偏思想的元学习算法用于解决小样本学习问题。基于参数优化的元学习算法是小样本学习领域中的一个重要的分支，如MAML，Meta-LSTM，这一类型的算法试图通过元学习的方式得到一个较好的初始化模型或者梯度下降的方向，使得模型能够只利用较少的新样本，就能实现很好的效果。而作者指出其中潜在的一个问题，就是模型在训练过程中容易产生对于训练任务的偏好，而导致泛化能力下降。
相关文章
- 1. Machine Learning & Deep Learning 论文阅读笔记
- 2. 论文阅读笔记《Learning Embedding Adaptation for Few-Shot Learning》
- 3. 论文阅读笔记 Meta-Learning for Batch Mode Active Learning
- 4. 论文阅读笔记《Meta-Learning of Neural Architectures for Few-Shot Learning》
- 5. 论文阅读笔记《Meta-SGD: Learning to Learn Quickly for Few-Shot Learning》
- 6. 论文阅读笔记《Learning to Compare: Relation Network for Few-Shot Learning》
- 7. Deep Mutual Learning论文阅读笔记
- 8. 论文阅读笔记《Active One-shot Learning》
- 9. 论文阅读笔记《One-Shot Imitation Learning》
- 10. GraphSAGE论文阅读笔记
- 更多相关文章...
- • RSS 阅读器 - RSS 教程
- • PHP 实例 - AJAX RSS 阅读器 - PHP教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • JDK13 GA发布：5大特性解读
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Machine Learning & Deep Learning 论文阅读笔记
- 2. 论文阅读笔记《Learning Embedding Adaptation for Few-Shot Learning》
- 3. 论文阅读笔记 Meta-Learning for Batch Mode Active Learning
- 4. 论文阅读笔记《Meta-Learning of Neural Architectures for Few-Shot Learning》
- 5. 论文阅读笔记《Meta-SGD: Learning to Learn Quickly for Few-Shot Learning》
- 6. 论文阅读笔记《Learning to Compare: Relation Network for Few-Shot Learning》
- 7. Deep Mutual Learning论文阅读笔记
- 8. 论文阅读笔记《Active One-shot Learning》
- 9. 论文阅读笔记《One-Shot Imitation Learning》
- 10. GraphSAGE论文阅读笔记