Meta-Learning With Differentiable Convex Optimization

Many meta-learning approaches for few-shot learning rely on simple base learners such as nearest-neighbor classifiers. However, even in the few-shot regime, discriminatively trained linear predictors can offer better generalization. We propose to use these predictors as base learners to learn repres...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings (IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Online) s. 10649 - 10657
Hlavní autoři:	Lee, Kwonjoon, Maji, Subhransu, Ravichandran, Avinash, Soatto, Stefano
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 01.06.2019
Témata:	Benchmark testing Computational efficiency Computational modeling Deep Learning Few shot learning Memory management Metalearning Optimization Overfitting Pattern recognition Representation Learning Training data
ISSN:	1063-6919
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!