學習筆記，僅供參考，有錯必究

從文獻中按照本人的學習情況不完全摘錄；

---

文章目錄

• • 基于模型分解的小樣本學習
  • • 摘要
    • 引言
    • • 小樣本學習問題
      • 本文思路
    • 遷移學習與元學習

---

基于模型分解的小樣本學習

摘要

機器學習依賴大量樣本的統(tǒng)計信息進行模型的訓練,從而能對未知樣本進行精準的預測.搜集樣本及標記需要耗費大量的資源，因而如何基于少量樣本(few-shotlearning)進行模型的訓練至關重要。有效的模型先驗(prior)能夠降低模型訓練對樣本的需求.本文基于元學習(metalearning)框架，從相關的、類別不同的數(shù)據(jù)中學習模型先驗,并將這種先驗應用于新類別的少樣本任務。

與此同時,本文提出模型組合先驗(MCP)方法，通過目標函數(shù)的最優(yōu)條件對模型結構進行分解，并分別估計模型的各個組成部分，得到有效的分類器。這種分解方式具有較高的可解釋性,能夠指導在不同小樣本任務中共享與獨立的成分,從而指導元學習的具體實現(xiàn)。

在人造數(shù)據(jù)中,本文方法能夠恢復出小樣本任務之間的關聯(lián)性；在

總結

以上是生活随笔為你收集整理的文献学习(part9)--基于模型分解的小样本学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。