会员服务
MAML（Model-Agnostic Meta-Learning）是元学习（Meta learning）最经典的几个算法之一，出自论文《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》。 原文地址：https://arxiv.org/abs/1703.03400
MAML: Towards a Faster Web in Developing Regions
Arxiv
0+阅读 · 1月20日
Age and Power Minimization via Meta-Deep Reinforcement Learning in UAV Networks
Arxiv
0+阅读 · 1月24日
Exploring the Efficacy of Meta-Learning: Unveiling Superior Data Diversity Utilization of MAML Over Pre-training
Arxiv
0+阅读 · 1月15日
Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms
Arxiv
0+阅读 · 1月10日
Memory-Reduced Meta-Learning with Guaranteed Convergence
Arxiv
1+阅读 · 2024年12月16日
Rethinking the Starting Point: Collaborative Pre-Training for Federated Downstream Tasks
Arxiv
1+阅读 · 2024年12月11日
Leveraging Auxiliary Task Relevance for Enhanced Bearing Fault Diagnosis through Curriculum Meta-learning
Arxiv
0+阅读 · 2024年12月4日
A New First-Order Meta-Learning Algorithm with Convergence Guarantees
Arxiv
0+阅读 · 2024年9月5日
MAML MOT: Multiple Object Tracking based on Meta-Learning
Arxiv
0+阅读 · 2024年8月23日
HyperMAML: Few-Shot Adaptation of Deep Models with Hypernetworks
Arxiv
0+阅读 · 2024年7月8日
MAML MOT: Multiple Object Tracking based on Meta-Learning
Arxiv
0+阅读 · 2024年5月27日
Meta-Learning with a Geometry-Adaptive Preconditioner
Arxiv
0+阅读 · 2023年11月29日
Evaluating few shot and Contrastive learning Methods for Code Clone Detection
Evaluating few shot and Contrastive learning Methods for Code Clone Detection
Arxiv
0+阅读 · 2023年11月9日
Understanding Transfer Learning and Gradient-Based Meta-Learning Techniques
Arxiv
0+阅读 · 2023年10月9日
PersA-FL: Personalized Asynchronous Federated Learning
Arxiv
0+阅读 · 2023年10月4日
参考链接
父主题
元学习
微信扫码咨询专知VIP会员
Top