搜索到2877篇“ 元学习“的相关文章
基于学习和多尺度动态卷积的多模态医学图像融合
多模态医学图像融合(Multimodel Medical Image Fuison,MMIF)是一种常见的图像融合任务。由于成像原理和传感器的差异,不同模态的医学图像能够反映不同的人体结构或功能信息,但单模态医学图像表征...
王铭望
关键词:元学习
一种基于半监督学习学习的少样本NL2SQL方法
本专利公开了一种基于半监督学习学习的少样本NL2SQL方法。本方法能在仅拥有少量标注数据的场景下,通过自训练框架的辅助对模型进行迭代训练,在这过程中逐步优化模型以及伪标签。首先对基础模型利用已有的少量标注数据进行热启...
郭心南陈永锐漆桂林
基于注意力增强学习网络的个性化联邦学习方法被引量:1
2024年
联邦学习作为一种分布式机器学习框架,客户端可以在不向服务器传输数据的情况下进行全局模型训练,解决了数据分散和数据隐私的问题.联邦学习可以在具有相似数据特征和分布的客户端上很好地工作.但是在很多场景中,客户端数据在分布、数量和概念上的不同,造成了全局模型训练困难.为此,个性化联邦学习作为一种新的联邦学习范式被提出,它旨在通过客户端与服务器的协作来保证客户端个性化模型的有效性.直观来讲,为具有相似数据特征和分布的客户端提供更紧密的协作关系可以有利于个性化模型的构建.然而,由于客户端数据的不可见性,如何细粒度地提取客户端特征,并定义它们之间的协作关系是一个挑战.设计了一个注意力增强学习网络(attention-enhanced meta-learning network,AMN)来解决这个问题.AMN可以利用客户基础模型参数作为输入特征,训练学习网络为每个客户端提供一个额外的模型,自动分析客户特征相似性.基于双层网络设计,有效地实现客户端个性与共性的权衡,提供了包含有益客户信息的融合模型.考虑到训练过程中需要同时训练学习网络和客户本地基础网络,设计了一种交替训练策略,以端到端的方式进行训练.为了证明该方法的有效性,在2个基准数据集和8种基准方法上进行了大量实验,相较于现有表现最优的个性化联邦学习方法,该方法在2个数据集中平均分别提升了3.39%和2.45%的模型性能.
高雨佳王鹏飞刘亮马华东
关键词:元学习
深度学习模型的学习方法及深度学习模型的学习系统
本说明书提供一种深度学习模型的学习方法以及深度学习模型的学习系统,涉及深度学习技术领域。该深度学习模型的学习方法应用于包括N个处理节点的集群,其中,该方法包括:获得训练数据集,上述训练数据集包括多个任务对应的训练样...
肖又少赵尚春周正磊郇兆鑫鞠林张晓露王琳周俊
一种情景记忆引导下基于学习的机器人技能获取方法
本发明提供了一种情景记忆引导下基于学习的机器人技能获取方法,首先建立机器人学习系统情景记忆模型,并构建机器人感知与记忆进行相似性度量算法,实现对事件和场景信息检索匹配与情景记忆中事件的更新调用;接着,构建情景记忆引导的...
刘冬于洪华
基于学习的甲骨文拓片识别研究
2024年
为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将学习引入甲骨文拓片图像的识别,提出一种基于学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好地提取甲骨文数据集特征。然后,通过学习方法对初始模型参数进行学习。试验结果表明,该算法学习到的初始模型参数对于学习新类别的识别有着很好的效果,优于与模型无关的学习(MAML)等其他模型,并且对于少样本的甲骨文数据集的识别十分有效。该研究为其他少样本数据集的处理和识别提供了一种解决的思路。
卢凡赵宇明
关键词:元学习卷积神经网络
结合学习的去中心化联邦增量学习方法
2024年
针对联邦增量场景中持续学习和数据安全的问题,构建了结合学习的去中心化联邦增量学习框架。首先,为解决增量场景中持续学习带来的灾难性遗忘问题,提出了结合最近类均值样本回放的增量学习方法NMR-cMAML,利用训练对不同任务流的快速适应进行更新,得到适用于新旧样本的模型。然后,为解决联邦增量场景中的数据安全问题,设计了基于对等网络架构的去中心化联邦增量学习框架,对等架构中每个客户端采用NMR-cMAML对私有的持续任务流进行增量学习。不同于传统的基于服务器-客户端的中心化架构,该去中心化架构采用客户端间通信的策略,消除了传统中央服务器易被攻击的隐患;同时,在联邦通信过程中,通过共享学习的模型参数实现客户端间知识的有效迁移。最后在图像数据集(Cifar100和Imagenet50)上进行了不同任务场景的实验,结果表明所提方法能在提高系统的数据安全性的同时提升客户端本地性能。
黄楠李冬冬姚佳王喆
关键词:数据安全元学习
基于学习和神经架构搜索的半监督医学图像分割方法
2024年
多数医学图像分割方法主要在相同或者相似医疗数据领域进行训练和评估,意味其需要大量像素级别的标注。但这些模型在领域分布外的数据集上面临挑战,被称为“域偏移”问题。通常使用固定的U形分割架构解决该问题,导致其无法更好地适应特定分割任务。文中提出了一种基于梯度的学习与神经架构搜索方法,可以根据特定任务调整分割网络以实现良好的性能并且拥有良好的泛化能力。该方法主要使用特定任务进行架构搜索模块来进一步提升分割效果,再使用基于梯度的学习训练算法提升泛化能力。在公共数据集M&Ms上,在5%标签数据下,其Dice和Hausdorff distance分别为79.62%、15.38%。在2%标签数据下,其Dice和Hausdorff distance分别为74.03%、17.05%。与其他主流方法相比,文中所提方法拥有更好的泛化能力。
于智洪李菲菲
关键词:医学图像分割元学习半监督学习
融合学习和PPO算法的四足机器人运动技能学习方法
2024年
具备学习能力是高等动物智能的典型表现特征,为探明四足动物运动技能学习机理,本文对四足机器人步态学习任务进行研究,复现了四足动物的节律步态学习过程.近年来,近端策略优化(PPO)算法作为深度强化学习的典型代表,普遍被用于四足机器人步态学习任务,实验效果较好且仅需较少的超参数.然而,在多维输入输出场景下,其容易收敛到局部最优点,表现为四足机器人学习到步态节律信号杂乱且重心震荡严重.为解决上述问题,在学习启发下,基于学习具有刻画学习过程高维抽象表征优势,本文提出了一种融合学习和PPO思想的近端策略优化(MPPO)算法,该算法可以让四足机器人进化学习到更优步态.在PyBullet仿真平台上的仿真实验结果表明,本文提出的算法可以使四足机器人学会行走运动技能,且与柔性行动者评价器(SAC)和PPO算法的对比实验显示,本文提出的MPPO算法具有步态节律信号更规律、行走速度更快等优势.
朱晓庆刘鑫源阮晓钢张思远李春阳李鹏
关键词:四足机器人元学习
一种基于电网潮流数据因果关系的学习解释方法
一种基于电网潮流数据因果关系的学习解释方法,涉及机器学习技术领域,本申请将学习可解释性归纳为学习过程的可解释性以及学习结果在具体问题中的可解释性两方面,并且分别从两方面实现了学习的可解释性。学习过程的可解释技...
王宏志邵心玥朱霄熊峰穆添愉

相关作者

朱文武
作品数:129被引量:0H指数:0
供职机构:清华大学
研究主题:存储介质 视频 解耦 图结构 架构
王鑫
作品数:229被引量:180H指数:8
供职机构:清华大学
研究主题:球床 高温堆 高温气冷堆 存储介质 进球
王旭
作品数:623被引量:887H指数:14
供职机构:四川大学
研究主题:氟化 复合材料 纳米碳酸钙 凝胶因子 聚丙烯
彭德中
作品数:122被引量:24H指数:3
供职机构:四川大学
研究主题:神经网络 网络 模态 数据集 鲁棒
胡鹏
作品数:62被引量:14H指数:3
供职机构:四川大学
研究主题:模态 哈希 鲁棒 文本 图像