登录    注册    忘记密码

期刊文章详细信息

元学习研究综述  ( EI收录)  

A Survey on Recent Advances in Meta-Learning

  

文献类型:期刊文章

作  者:李凡长[1] 刘洋[1] 吴鹏翔[1] 董方[1] 蔡奇[1] 王哲[1]

LI Fan-Zhang;LIU Yang;WU Peng-Xiang;DONG Fang;CAI Qi;WANG Zhe(School of Computer Science and Technology,Soochow University,Suzhou,Jiangsu 215006)

机构地区:[1]苏州大学计算机科学与技术学院,江苏苏州215006

出  处:《计算机学报》

基  金:国家重点研发计划“变革性技术关键科学问题”重点专项(2018YFA0701700,2018YFA0701701)资助.

年  份:2021

卷  号:44

期  号:2

起止页码:422-446

语  种:中文

收录情况:BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:深度学习在大量领域取得优异成果,但仍然存在着鲁棒性和泛化性较差、难以学习和适应未观测任务、极其依赖大规模数据等问题.近两年元学习在深度学习上的发展,为解决上述问题提供了新的视野.元学习是一种模仿生物利用先前已有的知识,从而快速学习新的未见事物能力的一种学习定式.元学习的目标是利用已学习的信息,快速适应未学习的新任务.这与实现通用人工智能的目标相契合,对元学习问题的研究也是提高模型的鲁棒性和泛化性的关键.近年来随着深度学习的发展,元学习再度成为热点,目前元学习的研究百家争鸣、百花齐放.本文从元学习的起源出发,系统地介绍元学习的发展历史,包括元学习的由来和原始定义,然后给出当前元学习的通用定义,同时总结当前元学习一些不同方向的研究成果,包括基于度量的元学习方法、基于强泛化新的初始化参数的元学习方法、基于梯度优化器的元学习方法、基于外部记忆单元的元学方法、基于数据增强的元学方法等.总结其共有的思想和存在的问题,对元学习的研究思想进行分类,并叙述不同方法和其相应的算法.最后论述了元学习研究中常用数据集和评判标准,并从元学习的自适应性、进化性、可解释性、连续性、可扩展性展望其未来发展趋势.

关 键 词:元学习 深度学习  深度神经网络  泛化能力 自适应能力 扩展能力  

分 类 号:TP18]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心