ترجمه فارسی مقاله یاد بگیرید که دقیق تر یاد بگیرید

چکیده

Meta-learning has been extensively applied in the domains of few-shot learning and fast adaptation, achieving remarkable performance. While Meta-learning methods like Model-Agnostic Meta-Learning (MAML) and its variants provide a good set of initial parameters for the model, the model still tends to learn shortcut features, which leads to poor generalization. In this paper, we propose the formal conception of “learn to learn more precisely”, which aims to make the model learn precise target knowledge from data and reduce the effect of noisy knowledge, such as background and noise. To achieve this target, we proposed a simple and effective meta-learning framework named Meta Self-Distillation(MSD) to maximize the consistency of learned knowledge, enhancing the models’ ability to learn precise target knowledge. In the inner loop, MSD uses different augmented views of the same support data to update the model respectively. Then in the outer loop, MSD utilizes the same query data to optimize the consistency of learned knowledge, enhancing the model’s ability to learn more precisely. Our experiment demonstrates that MSD exhibits remarkable performance in few-shot classification tasks in both standard and augmented scenarios, effectively boosting the accuracy and consistency of knowledge learned by the model.

چکیده به فارسی (ترجمه ماشینی)

یادگیری متا به طور گسترده در حوزه های یادگیری چند شات و سازگاری سریع و دستیابی به عملکرد قابل توجه استفاده شده است.در حالی که روش های یادگیری متا مانند مدل-یادگیری مدل-آگنوستیک (MAML) و انواع آن مجموعه خوبی از پارامترهای اولیه را برای مدل فراهم می کند ، این مدل هنوز تمایل به یادگیری ویژگی های میانبر دارد ، که منجر به تعمیم ضعیف می شود.در این مقاله ، ما مفهوم رسمی از “یادگیری دقیق تر یادگیری” را پیشنهاد می کنیم ، که هدف آن یادگیری مدل دانش دقیق از داده ها و کاهش تأثیر دانش پر سر و صدا مانند پیش زمینه و سر و صدا است.برای دستیابی به این هدف ، ما یک چارچوب ساده و مؤثر در یادگیری متا به نام متا خودآرازی (MSD) را پیشنهاد کردیم تا به حداکثر رساندن ثبات دانش آموخته شده ، توانایی مدل ها را در یادگیری دانش هدف دقیق تقویت کنیم.در حلقه داخلی ، MSD از دیدگاههای مختلف افزودنی از همان داده های پشتیبانی برای به روزرسانی مدل استفاده می کند.سپس در حلقه بیرونی ، MSD از همان داده های پرس و جو برای بهینه سازی قوام دانش آموخته شده استفاده می کند و توانایی مدل در یادگیری دقیق تر را تقویت می کند.آزمایش ما نشان می دهد که MSD در هر دو سناریو استاندارد و افزودنی عملکرد قابل توجهی در کارهای طبقه بندی چند شات نشان می دهد ، و به طور موثری دقت و ثبات دانش آموخته شده توسط مدل را تقویت می کند.