VALSE 论文速览 第54期:Learngene:从开放世界到目标学习任务

2022 年 3 月 2 日 VALSE

为了使得视觉与学习领域相关从业者快速及时地了解领域的最新发展动态和前沿技术进展,VALSE最新推出了《论文速览》栏目,将在每周发布一至两篇顶会顶刊论文的录制视频,对单个前沿工作进行细致讲解。本期VALSE论文速览选取了来自东南大学开放世界场景下持续学习方面的工作。该工作由耿新教授指导,论文第一作者王秋锋同学录制。


论文题目:Learngene:从开放世界到目标学习任务

作者列表:王秋锋 (东南大学),耿新 (东南大学),林淑霞 (东南大学),夏诗禹 (东南大学),祁磊 (东南大学),徐宁 (东南大学)

B站观看网址:

https://www.bilibili.com/video/BV1cF411b7oX/


复制链接到浏览器打开或点击阅读原文即可跳转至观看页面。


论文摘要:

深度学习技术已在固定的大规模数据集上展现出优异的性能。然而在开放世界场景中,该技术通常面临着不能正确识别未知类别、过度参数化和过拟合小样本等挑战。现实场景中的生物系统可以很好地克服上述困难,这是因为生物个体可以继承来自集体种群通过数亿年进化浓缩出的基因,然后通过几个样例学习新技能。受此启发,我们提出了一种实用的集体个体学习范式。其中可扩展的集体模型在任务上持续训练,然后再识别现实世界中的未知类别。此外,我们提出了学习基因的概念,即学习目标模型初始化规则的基因。学习基因首先继承来自集体模型的元知识,然后在目标任务上重建一个轻量级的个体模型。特别地,根据梯度信息,我们提出了一种新的标准来发现集体模型中的学习基因。最后,针对目标学习任务的个体模型仅使用少量样本即可完成训练。我们通过实验结果和理论分析证明了我们方法的有效性。


论文信息:

[1] Qiufeng Wang, Xin Geng, Shuxia Lin, Shiyu Xia, Lei Qi and Ning Xu. " Learngene: From Open-World to Your Learning Task" In Proceedings of the 36th AAAI Conference on Artificial Intelligence (AAAI’22), online, 2022.


论文链接:

[https://www.aaai.org/AAAI22Papers/AAAI-3013.WangQ.pdf]


代码链接:

[https://github.com/BruceQFWang/learngene]


视频讲者简介:

王秋锋,东南大学计算机学院博士生,研究方向是机器学习,目前专注于元学习和持续学习。



特别鸣谢本次论文速览主要组织者:

月度轮值AC:丁长兴 (华南理工大学)、彭春蕾 (西安电子科技大学)

季度责任AC:杨猛 (中山大学)


活动参与方式

1、VALSE每周举行的Webinar活动依托B站直播平台进行,欢迎在B站搜索VALSE_Webinar关注我们!

直播地址:

https://live.bilibili.com/22300737;

历史视频观看地址:

https://space.bilibili.com/562085182/ 


2、VALSE Webinar活动通常每周三晚上20:00进行,但偶尔会因为讲者时区问题略有调整,为方便您参加活动,请关注VALSE微信公众号:valse_wechat 或加入VALSE QQ R群,群号:137634472);


*注:申请加入VALSE QQ群时需验证姓名、单位和身份缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M。


3、VALSE微信公众号一般会在每周四发布下一周Webinar报告的通知。


4您也可以通过访问VALSE主页:http://valser.org/ 直接查看Webinar活动信息。Webinar报告的PPT(经讲者允许后),会在VALSE官网每期报告通知的最下方更新。


看到这了,确定不关注下吗?关注下再走吧~

登录查看更多
1

相关内容

专知会员服务
14+阅读 · 2021年9月23日
专知会员服务
92+阅读 · 2021年9月2日
最新《自监督表示学习》报告,70页ppt
专知会员服务
85+阅读 · 2020年12月22日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Towards PAC Multi-Object Detection and Tracking
Arxiv
0+阅读 · 2022年4月15日
Learning from Few Samples: A Survey
Arxiv
77+阅读 · 2020年7月30日
Heterogeneous Deep Graph Infomax
Arxiv
12+阅读 · 2019年11月19日
Domain Representation for Knowledge Graph Embedding
Arxiv
14+阅读 · 2019年9月11日
Arxiv
10+阅读 · 2017年7月4日
VIP会员
相关基金
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员