对于几次拍摄的开放任务识别的超级学习
Xiaoming Han1,2, Dianxi Shi3,4, Zhen Wang5
1College of Computer Science and Technology, National University of Defense Technology, ChangSha, 410000, China.
Scientific reports
|January 17, 2026
概括
短暂的学习模型在变化配置的现实世界任务中扎. 开放式MAML增强了meta-learning以对未见的任务结构进行概括,提高了开放式任务设置的准确性.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 少数射击学习研究通常使用固定的N-way K-shot设置.
- 现实世界的应用程序需要模型适应未知的任务配置 (开放任务设置).
- 这就需要对未见的结构组合进行概括,而不仅仅是插值.
研究的目的:
- 为了解决固定评价设置在短暂学习中的局限性.
- 介绍和评估结构概括的方法,在少数拍摄的学习.
- 提出一个开放任务评估框架,更好地反映现实世界的部署.
主要方法:
- 正式化了结构概括的三个制度:交叉,交叉和交叉-交叉-交叉.
- 提出了Open-MAML,这是一个具有动态分类器构建的元学习增强.
- 集成的内循环学习速度适应和AdaDropBlock调节器,以获得稳定性和强度.
主要成果:
- 开放MAML在域内和跨域评估中显示出一致的性能改进.
- 在单维变化下 (交叉/交叉射线) 实现了1%-7%的绝对精度增长.
- 在二维变化下 (交叉-交叉-射击) 实现了3-6%的绝对精度增长.
结论:
- 开放式任务评估对于研究结构概括在少量学习中至关重要.
- 开放式MAML在动态环境中提供了一种强大而有效的方法,用于在动态环境中进行少量学习.
- 拟议的框架为该领域的未来研究提供了可重复的基础.
