会员服务
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。
Meta-reinforcement learning with minimum attention
Arxiv
0+阅读 · 12月13日
Lost in Time? A Meta-Learning Framework for Time-Shift-Tolerant Physiological Signal Transformation
Arxiv
0+阅读 · 11月26日
Meta-Learning for Quantum Optimization via Quantum Sequence Model
Arxiv
0+阅读 · 12月4日
Meta-Semantics Augmented Few-Shot Relational Learning
Arxiv
0+阅读 · 11月5日
Point Neuron Learning: A New Physics-Informed Neural Network Architecture
Arxiv
0+阅读 · 12月10日
Adaptive Reinforcement Learning through Evolving Self-Modifying Neural Networks
Arxiv
0+阅读 · 2020年5月22日
Differentiable Semantic Meta-Learning Framework for Long-Tail Motion Forecasting in Autonomous Driving
Arxiv
0+阅读 · 11月10日
Meta Pruning via Graph Metanetworks : A Universal Meta Learning Framework for Network Pruning
Arxiv
0+阅读 · 12月15日
Adaptive PID Control for Robotic Systems via Hierarchical Meta-Learning and Reinforcement Learning with Physics-Based Data Augmentation
Arxiv
0+阅读 · 11月9日
Learning Dynamics of Meta-Learning in Small Model Pretraining
Arxiv
0+阅读 · 11月7日
A Physics-Informed Meta-Learning Framework for the Continuous Solution of Parametric PDEs on Arbitrary Geometries
Arxiv
0+阅读 · 12月7日
Pre-Training and Personalized Fine-Tuning via Over-the-Air Federated Meta-Learning: Convergence-Generalization Trade-Offs
Arxiv
0+阅读 · 10月11日
Maximising the Utility of Validation Sets for Imbalanced Noisy-label Meta-learning
Arxiv
0+阅读 · 10月8日
Meta ControlNet: Enhancing Task Adaptation via Meta Learning
Meta ControlNet: Enhancing Task Adaptation via Meta Learning
Arxiv
0+阅读 · 4月2日
Towards Sharper Information-theoretic Generalization Bounds for Meta-Learning
Arxiv
0+阅读 · 1月26日
参考链接
微信扫码咨询专知VIP会员
Top