LegközelebbKövetkező útmutató
Bayesi mélytanulás
Alapok
Alapok ÚTMUTATÓ
Meta-learning studies how model parameters or representations can adapt to new tasks from limited examples.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
MAML, Prototypical Networks and Reptile are distinct research methods; in-context learning is a related few-shot behavior evaluated in large language models, not the same training procedure.
MAML learns an initialization that can adapt to a new task through a small number of gradient steps. Prototypical Networks form class prototypes in an embedding space and classify by distance. Reptile is a first-order algorithm that moves the initialization toward parameters learned on sampled tasks. Brown et al.’s GPT-3 paper evaluates in-context few-shot learning by placing demonstrations in the prompt without gradient updates. This is a behavioral analogy to fast adaptation, not a claim that GPT-3 was trained with the same meta-learning algorithm.
Splitting meta-training into tasks with support and query examples.
Using MAML’s task-specific inner loop to adapt an initialization.
Classifying examples by distances to Prototypical Network class centers.
Comparing Reptile’s first-order update with GPT-3’s in-context demonstrations, which use no gradient updates at inference.
Compare methods on held-out tasks, specifying support/query splits, adaptation steps and evaluation conditions. The cited papers support these algorithms and experiments, not broad product forecasts or claims about deployment in robotics, recommendation or drug discovery.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Meta-learning studies how model parameters or representations can adapt to new tasks from limited examples. MAML, Prototypical Networks and Reptile are distinct research methods; in-context learning is a related few-shot behavior evaluated in large language models, not the same training procedure.
Meta-tanulási folyamat számos feladaton keresztül, így a modell gyorsan alkalmazkodik egy új feladathoz, csak néhány példa segítségével.
Minden feladat tartalmaz egy kis támogatási készletet az alkalmazkodáshoz, és egy lekérdezési készletet az alkalmazkodás értékeléséhez, amely számos feladaton megismétlődik.
A MAML olyan kezdeti paramétereket talál, amelyek néhány gradiens lépés után egy új feladaton jó teljesítményt nyújtanak.
A prototípusos hálózatok osztályonként kiszámítanak egy prototípust (átlagos beágyazás), és minden lekérdezést hozzárendelnek a legközelebbi prototípushoz.
A belső hurok feladatspecifikus adaptációt hajt végre, míg a külső hurok frissíti a paramétereket a jobb alkalmazkodóképesség érdekében.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Bayesi mélytanulás
Alapok