题目: A Concise Review of Recent Few-shot Meta-learning Methods

摘要:

最近,很少有人尝试元学习,人们期望它能模仿人类快速适应基于先验知识的新概念。在这篇简短的交流中,简要回顾了近年来有代表性的几种元学习方法,并根据其技术特点将其分为四个分支。最后,总结了当前元学习面临的一些重要挑战和未来的展望。

成为VIP会员查看完整内容
34

相关内容

Meta Learning,元学习,也叫 Learning to Learn(学会学习)。是继Reinforcement Learning(增强学习)之后又一个重要的研究分支。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
元学习(meta learning) 最新进展综述论文
专知会员服务
275+阅读 · 2020年5月8日
基于小样本学习的图像分类技术综述
专知会员服务
146+阅读 · 2020年5月6日
零样本图像识别综述论文
专知会员服务
56+阅读 · 2020年4月4日
零样本图像识别综述论文
专知
20+阅读 · 2020年4月4日
【综述】迁移自适应学习十年进展
专知
41+阅读 · 2019年11月26日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
小样本学习(Few-shot Learning)综述
机器之心
18+阅读 · 2019年4月1日
Image Captioning 36页最新综述, 161篇参考文献
专知
89+阅读 · 2018年10月23日
【领域报告】小样本学习年度进展|VALSE2018
深度学习大讲堂
26+阅读 · 2018年6月14日
Arxiv
5+阅读 · 2019年4月25日
Arxiv
9+阅读 · 2019年4月19日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
135+阅读 · 2018年10月8日
VIP会员
相关资讯
相关论文
Arxiv
5+阅读 · 2019年4月25日
Arxiv
9+阅读 · 2019年4月19日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
135+阅读 · 2018年10月8日
微信扫码咨询专知VIP会员