MCT:Pytorch对少量学习的元学习信心的实现

时间:2024-06-14 22:21:32
【文件属性】:

文件名称:MCT:Pytorch对少量学习的元学习信心的实现

文件大小:698KB

文件格式:ZIP

更新时间:2024-06-14 22:21:32

meta-learning transductive-learning few-shot-learning Python

元学习信心,少有精打细算 以下论文的Pytorch代码: 标题:少量学习的元学习信心。[ ] 作者:成敏吉,Ha,金浩霖, 先前版本:具有元学习信心的转导性少数射击学习[] / [] 抽象的 转换推理是解决几次学习设置中的数据不足问题的有效手段。 一种用于基于几次量度的方法的流行的转换推理技术是,使用最可靠的查询示例的均值或所有查询样本的置信度加权平均值来更新每个类的原型。 但是,这里需要说明的是,模型置信度可能不可靠,这可能会导致错误的预测。 为了解决这个问题,我们建议对每个查询样本的置信度进行元学习,为未标记的查询分配最佳权重,从而提高未处理任务上模型的推论推理性能。 我们通过在各种模型和数据扰动下对任务分布上的输入自适应距离度量进行元学习来实现此目的,这将在看不见任务的各种不确定性下使模型预测保持一致。 此外,我们还建议提出一种正则化方法,可以在高维嵌入向量的不同维数上显式地


网友评论