《表3 基于元学习的少样本方法总结》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的少样本研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。