Meta Learning,元學習,也叫 Learning to Learn(學會學習)。是繼Reinforcement Learning(增強學習)之後又一個重要的研究分支。

知識薈萃

綜述

基礎算法

元強化學習

應用

視覺應用

其它應用

數據集

視頻課程

書籍

代碼

領域專家


初步版本,水平有限,有錯誤或者不完善的地方,歡迎大家提建議和補充,會一直保持更新,本文為專知內容組原創內容,未經允許不得轉載,如需轉載請發送郵件至fangquanyi@gmail.com或 聯係微信專知小助手(Rancho_Fang)

敬請關注//www.webtourguide.com和關注專知公眾號,獲取第一手AI相關知識

最近更新:2019-12-10

VIP內容

時空圖是描述城市感知數據(如交通速度和空氣質量)的重要結構。基於時空圖的預測為智慧城市提供了許多重要的應用,如交通管理和環境分析。近年來,已有許多用於時空圖預測的深度學習模型被提出,並取得了顯著的效果。然而,設計神經網絡需要豐富的領域知識和專家的努力。為此,我們研究了時空圖的自動神經結構搜索在城市交通預測中的應用,麵臨兩個挑戰:1)如何定義搜索空間來捕獲複雜的時空關聯;2)如何學習一個時空圖對應的屬性圖的網絡權值參數。為了解決這些挑戰,我們提出了一個新的框架,名為AutoSTG,用於自動時空圖預測。在我們的AutoSTG中,我們的搜索空間采用了空間圖卷積和時間卷積操作來捕獲複雜的時空相關性。此外,我們利用元學習技術從屬性圖的元知識中學習空間圖卷積層的鄰接矩陣和時間卷積層的核。具體地說,這種元知識是由一個圖元知識學習器來學習的,這個圖元知識學習器在屬性圖上迭代地聚集知識。最後,在兩個真實的基準數據集上進行了廣泛的實驗,證明AutoSTG可以找到有效的網絡架構並取得最先進的結果。據我們所知,我們是第一個研究神經結構搜索的時空圖。

http://panzheyi.cc/publication/pan2021autostg/paper.pdf

成為VIP會員查看完整內容
0
10
0

最新論文

Zero-shot learning (ZSL) aims to transfer knowledge from seen classes to semantically related unseen classes, which are absent during training. The promising strategies for ZSL are to synthesize visual features of unseen classes conditioned on semantic side information and to incorporate meta-learning to eliminate the model's inherent bias towards seen classes. Existing meta generative approaches pursue a common model shared across task distributions; in contrast, we aim to construct a generative network adaptive to task characteristics. To this end, we propose the Attribute-Modulated generAtive meta-model for Zero-shot learning (AMAZ). Our model consists of an attribute-aware modulation network and an attribute-augmented generative network. Given unseen classes, the modulation network adaptively modulates the generator by applying task-specific transformations so that the generative network can adapt to highly diverse tasks. Our empirical evaluations on four widely-used benchmarks show that AMAZ improves state-of-the-art methods by 3.8% and 5.1% in ZSL and generalized ZSL settings, respectively, demonstrating the superiority of our method.

0
0
0
下載
預覽
Top