《表3 基于元学习的少样本方法总结》
注:“±”表示在任务中95%的置信区间。
三种基于元学习的少样本学习方法对比结果如表3所示。基于优化方式的元学习适用性很强,可以和许多神经网络模型结合使用,但是这种方法计算量大,因此要求网络结构不能太复杂,否则会出现梯度爆炸或梯度消失的情况。从实验结果可看出,Reptile算法在图像分类任务的准确度上略差于MAML算法。基于参数的跨任务元学习效果虽好,但考虑到基于熵的方法的输出取决于模型的输出函数,因此它更适合特定的分类或回归任务。
图表编号 | XD00191529600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.28 |
作者 | 卢依宏、蔡坚勇、郑华、曾远强 |
绘制单位 | 福建师范大学光电与信息工程学院、福建师范大学光电与信息工程学院、福建师范大学光电与信息工程学院、福建师范大学光电与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |