Материалы предоставлены Иньбо Ченом, первым автором статьи «Новая мета-базовая линия для быстрого обучения».
В последние годы мета-обучение стало популярной структурой для обучения по принципу «несколько выстрелов». Несмотря на то, что предлагается все больше и больше новых моделей метаобучения, наше исследование выявило простые исходные данные, на которые не обращали внимания. Далее мы анализируем возможные причины, которые делают этот простой метод успешным. Мы наблюдаем объективное несоответствие на стадии метаобучения, и мы находим, что предварительное обучение и наследование хорошей метрики классификации с несколькими выстрелами от предварительно обученного классификатора важны для мета-базовой линии, что потенциально помогает модели лучше использовать предварительную оценку. -обученные представления с большей переносимостью. Наша работа устанавливает новый твердый эталон в этой области и проливает свет на дальнейшее понимание феноменов метаобучения для обучения по принципу «несколько выстрелов».
Что нового: новая простая базовая линия для обучения по принципу «несколько выстрелов», обеспечивающая высочайшую производительность; Анализ по обобщению базового класса.
Как это работает. Мы представляем метод мета-базовой линии, путем предварительного обучения классификатора на всех базовых классах и метаобучения на алгоритме классификации с несколькими выстрелами на основе ближайшего центроида, он превосходит недавнее состояние- новейшие методы с большим отрывом.
Ключевые выводы. Один простой метод (мета-базовый уровень) был упущен из виду; Решение проблемы несоответствия между обобщением базового класса и обобщением нового класса потенциально является ключевой задачей, которую нужно решить при обучении за несколько шагов. Он представляет собой удивительно простой метод, который превосходит современные современные методы в обучении за несколько шагов, и переосмысливает возможные будущие направления в этой области.
Статья Новая мета-база для быстрого обучения посвящена arXiv.
Познакомьтесь с авторами Иньбо Чен, Сяолун Ван, Чжуан Лю, Хуэйцзюань Сюй и Тревор Даррелл из Университета Цинхуа и Калифорнийского университета в Беркли.
Поделитесь своими исследованиями с помощью Synced
Поделиться моими исследованиями - это новая колонка Synced, в которой ученые приглашают ученых делиться своими научными открытиями с более чем 1,5 млн энтузиастов ИИ со всего мира. Помимо технологических достижений, Поделиться моими исследованиями также требует интересных историй, лежащих в основе исследований, и интересных исследовательских идей. Поделитесь с нами своим исследованием, нажав здесь.
Мы знаем, что вы не хотите пропустить ни одной истории. Подпишитесь на наш популярный Synced Global AI Weekly , чтобы получать еженедельные обновления AI.
Нужен всесторонний обзор прошлого, настоящего и будущего современных исследований в области искусственного интеллекта? Отчет Тенденции развития технологий искусственного интеллекта вышел!
Вышел Отчет об адаптивности AI для публичной компании Fortune Global 500 за 2018 год!
Приобретите отчет в формате Kindle на Amazon.
Подайте заявку на участие в Партнерской программе Insight, чтобы получить бесплатный полный отчет в формате PDF.
