Poste de recherche

Re-présentation transductive des caractéristiques sans paramètres pour l'apprentissage en quelques coups.

Résumé :

La littérature récente dans le domaine de l'apprentissage en quelques coups (FSL) a montré que les méthodes transductives surpassent souvent leurs homologues inductives. Cependant, la plupart des solutions transductives, en particulier celles basées sur le méta-apprentissage, nécessitent l'insertion de paramètres entraînables au-dessus de certaines lignes de base inductives pour faciliter la transduction. Dans cet article, nous proposons un cadre de re-présentation de caractéristiques transductives sans paramètres qui diffère de toutes les solutions existantes des points de vue suivants. (1) Il est largement compatible avec les méthodes FLS existantes, y compris les modèles basés sur le méta-apprentissage et le réglage fin. (2) Le cadre est simple et n'introduit aucun paramètre de formation supplémentaire lorsqu'il est appliqué à n'importe quelle architecture. Nous menons des expériences sur trois ensembles de données de référence en appliquant le cadre à la fois à des bases de méta-apprentissage représentatives et à des méthodes FLS de pointe. Notre cadre améliore systématiquement les performances dans toutes les expériences et rafraîchit les résultats de l'état de l'art du FSL.

Derniers documents de recherche

Connectez-vous avec la communauté

Participez à l'écosystème croissant de l'IA en Alberta ! Les demandes de conférenciers, de parrainage et de lettres de soutien sont les bienvenues.

Explorer la formation et l'enseignement supérieur

Vous êtes curieux de connaître les possibilités d'études auprès de l'un de nos chercheurs ? Vous voulez plus d'informations sur les possibilités de formation ?

Exploiter le potentiel de l'intelligence artificielle

Faites-nous part de vos objectifs et de vos défis concernant l'adoption de l'IA dans votre entreprise. Notre équipe Investissements & Partenariats vous contactera sous peu !