머신러닝에 메타러닝 적용

메타 학습은 학습 알고리즘을 최적화하고 최고 성능의 알고리즘을 식별하여 기계 학습 알고리즘이 문제를 극복하도록 돕습니다.

메타 학습, 메타 분류자 및 메타 회귀

기계 학습의 메타 분류자

메타 분류자는 기계 학습의 메타 학습 알고리즘이며 분류 및 예측 모델링 작업에 사용됩니다. . 다른 분류기에서 예측한 결과를 특징으로 사용하고 최종적으로 그 중 하나를 최종 예측 결과로 선택합니다.

Meta-regression

Meta-regression은 회귀 예측 모델링 작업에 사용되는 메타 학습 알고리즘입니다. 회귀 분석을 사용하여 여러 연구의 결과를 결합, 비교 및 ​​종합하는 동시에 사용 가능한 공변량이 반응 변수에 미치는 영향을 조정합니다. 메타 회귀 분석은 상충되는 연구를 조정하거나 서로 일치하는 연구를 확인하는 것을 목표로 합니다.

메타러닝에는 어떤 기술이 사용되나요?

메타 학습에 사용되는 몇 가지 방법은 다음과 같습니다.

• 메트릭 학습

이것은 예측을 위한 메트릭 공간을 학습하는 것을 의미합니다. Few-Shot 분류 작업에서 좋은 결과를 제공합니다. 메트릭 학습의 주요 아이디어는 최근접 이웃 알고리즘(k-NN 분류기 및 k-평균 클러스터링)과 매우 유사합니다.

• 모델에 구애받지 않는 메타 학습(MAML)

MAML에서는 모델을 새로운 작업에 더 빠르게 적용하기 위해 예제를 사용하여 신경망을 훈련합니다. 이는 적은 수의 그래디언트 업데이트로 빠른 학습을 위해 모델의 매개변수를 훈련하는 데 사용되는 일반적인 최적화 및 작업 독립적 알고리즘입니다.

• 반복 신경망(RNN)

반복 신경망은 일종의 인공 지능입니다. 순차 또는 시계열 데이터의 문제를 잘 처리합니다. 일반적으로 언어 번역, 음성 인식 및 필기 인식 작업에 사용됩니다.

메타 학습에서 RNN 알고리즘은 데이터세트에서 데이터를 순차적으로 수집하고 이러한 데이터를 새로운 입력으로 처리할 수 있는 반복 모델을 만드는 대안으로 사용됩니다.

• Stacking 또는 Stacked Generalization

Stacking은 앙상블 학습의 하위 분야이며 메타 학습 모델에 사용됩니다. 지도 학습과 비지도 학습 모두 스태킹을 통해 이점을 얻습니다. 스태킹에 관련된 프로세스: 사용 가능한 데이터를 사용하여 학습 알고리즘을 훈련하고, 학습 알고리즘의 예측을 결합하기 위한 결합기 알고리즘을 생성하고, 결합기 알고리즘을 사용하여 최종 예측을 수행합니다.

• 컨볼루션 샴 신경망

컨볼루션 샴 신경망은 두 개의 트윈 네트워크로 구성됩니다. 출력은 입력 데이터 샘플 쌍 간의 관계를 학습하는 함수를 사용하여 공동으로 훈련됩니다. Siamese 네트워크는 동일한 가중치와 네트워크 매개변수를 공유합니다. 이는 데이터 포인트 쌍 간의 관계를 밝히기 위해 효율적인 임베딩을 학습하는 동일한 임베딩 네트워크를 참조합니다.

• Matching Networks

Matching Networks는 소규모 지원 세트에 대한 분류기를 학습합니다. 분류자는 특정 테스트 예제를 사용하여 출력 레이블의 확률 분포를 정의합니다. 이는 기본적으로 태그가 지정된 작은 지원 세트와 태그가 지정되지 않은 예제를 해당 레이블에 매핑하므로 새 클래스 유형을 수용하기 위해 미세 조정할 필요가 없습니다.

• LSTM 메타 학습기

LSTM 메타 학습 알고리즘은 몇 번의 메커니즘으로 다른 학습자 신경망 분류기를 훈련하기 위한 정확한 최적화 알고리즘을 찾을 수 있습니다. 매개 변수화를 통해 특히 특정 수의 업데이트가 수행되는 시나리오에 대해 적절한 매개 변수 업데이트를 학습할 수 있습니다. 학습의 빠른 수렴을 달성하기 위해 학습자 네트워크의 일반적인 초기화를 학습할 수도 있습니다.

위 내용은 머신러닝에 메타러닝 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!