-
题名基于元学习和数据增强优化小样本模型泛化性能研究
被引量：1
- 1
-
-
作者
邓天翊
张耕培
-
机构
长江大学电子信息与电气工程学院
-
出处
《现代信息科技》
2024年第8期93-96,共4页
-
文摘
针对小样本模型泛化性能不足的问题,引入元学习机制构建强泛化性的数据分析模型。使用BP神经网络建立数据分析模型,并使用模型无关元学习算法MAML对模型进行优化。结果显示,相比于传统模型(如支持向量机和高斯过程方法),文中所建立模型的泛化性能更好;针对MAML训练数据形式,引入数据增强方法增加训练数据数量,文中所建立模型的均方根误差、平均绝对百分比误差和决定系数分别为0.05、0.066和0.85,均优于其他预测模型。
-
关键词
元学习
优化
小样本模型
泛化性
模型无关元学习算法
-
Keywords
Meta-Learning
optimization
small sample model
generalization
MAML
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名融合语义路径与语言模型的元学习知识推理框架
被引量：3
- 2
-
-
作者
段立
封皓君
张碧莹
刘江舟
刘海潮
-
机构
海军工程大学电子工程学院
中国人民解放军
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2022年第12期4376-4383,共8页
-
文摘
针对传统推理方法无法兼顾计算能力与可解释性,同时在小样本场景下难以实现知识的快速学习等问题,该文设计一款融合语义路径与双向Transformer编码(BERT)的模型无关元学习(MAML)推理框架,该框架由基训练和元训练两个阶段构成。基训练阶段,将图谱推理实例用语义路径表示,并代入BERT模型微调计算链接概率,离线保存推理经验;元训练阶段,该框架基于多种关系的基训练过程获得梯度元信息,实现初始权值优化,完成小样本下知识的快速学习。实验表明,基训练推理框架在链接预测与事实预测任务中多项指标高于平均水平,同时元学习框架可以实现部分小样本推理问题的快速收敛。
-
关键词
知识推理
语义路径
双向Transformer编码表示
模型无关元学习
-
Keywords
Knowledge reasoning
Semantic path
Bidirectional Encoder Representations for Transformers(BERT)
Model-Agnostic Meta-Learning(MAML)
-
分类号
TN912.3
[电子电信—通信与信息系统]
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于迁移元学习的调制识别算法
被引量：2
- 3
-
-
作者
庞伊琼
许华
张悦
朱华丽
彭翔
-
机构
空军工程大学信息与导航学院
-
出处
《兵工学报》
EI
CAS
CSCD
北大核心
2023年第10期2954-2963,共10页
-
基金
国家自然科学基金青年科学基金项目(61906156)。
-
文摘
针对基于深度学习的调制识别算法在仅有几个带标签信号样本时无法训练的问题,通过模型无关元学习算法提高网络的泛化性能,以使网络对仅有几个训练样本的待测信号实现准确识别。同时对深度神经网络进行预训练以降低元学习阶段网络的训练难度,并根据迁移学习思想,通过引入可学习的缩放偏移参数来迁移预训练所得网络参数,减少学习新类信号所需训练的网络参数量,当面对新类信号的识别任务时通过少量信号样本微调网络就能实现准确识别。实验结果表明,算法在新类信号训练样本仅有5个时最高可实现93.5%的识别准确率。
-
关键词
调制识别
模型无关元学习
迁移学习
深度神经网络
-
Keywords
modulation recognition
model-agnostic meta-learning
transfer learning
deep neural network
-
分类号
TN975
[电子电信—信号与信息处理]
-
