抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Meta学習は,複数の既存のタスクから「優先度」を学習することにより,新しいタスクに高速適応を行うことを目的とする。メタ学習における一般的実践は,事前適応がデータの1つの分割に関するタスクに順応する列車検証分割(トレイン-val法)を実行することであり,得られた予測子を別の分割に関して評価した。その罹患率にもかかわらず,訓練と評価の両方に対してすべてのタスクデータを使用する,特により直接的トレイン-トレイン法と比較して,訓練-検証分割の重要性は,理論上,あるいは実際にはよく理解されていない。列車検証分割が線形重心メタ学習問題において役立つかどうかについての詳細な理論的研究を提供した。診断事例において,著者らは,列車-val法の予想損失が,メタ試験のために最適で最小化されることを示して,これは,データに関する構造仮定なしで,一般において列車-トレイン方法のための事例でなかった。対照的に,線形モデルからデータを生成する実現可能な事例では,列車-valと列車-列車損失の両方が,期待値で最適に最小化されることを示した。さらに,驚くべきことに,著者らの主な結果は,正則化パラメータおよび分割比が両方の方法に対して最適に調整される場合でも,列車トレイン法が,この実現可能な場合において,制限的に優れた過剰損失を達成することを示した。著者らの結果は,サンプル分割が,特にデータがこのモデルによって実現可能であるとき,必ずしも好ましいものではないことを浮き彫りにした。列車-列車法は,シミュレーションおよび実際のメタ学習タスクの両者において,列車-val法よりも実際に優れていることを実験的に示すことにより,この理論を検証した。【JST・京大機械翻訳】