TIML：面向农业的任务知情元学习
机器学习
2022-02-07 v1
摘要
农业标注数据集在空间上极度不平衡。在为数据稀疏地区开发算法时，一种自然的方法是利用来自数据丰富地区的迁移学习。虽然标准迁移学习方法通常仅利用直接输入和输出，但地理空间影像与农业数据富含可指导迁移学习算法的元数据，例如数据点的空间坐标或所学习任务类别。我们在先前探索农业数据稀疏地区元学习应用的工作基础上，提出任务知情元学习(TIML)，这是对模型无关元学习的一种增强，可利用任务特定元数据。我们将TIML应用于作物类型分类与产量估算，发现相较于一系列基准方法，TIML在两种情境下、多种模型架构中均显著提升性能。虽然我们聚焦于农业任务，TIML可为任何具备任务特定元数据的元学习设置带来益处，例如地理标记图像分类与物种分布建模。
引用
@article{arxiv.2202.02124,
title = {TIML: Task-Informed Meta-Learning for Agriculture},
author = {Gabriel Tseng and Hannah Kerner and David Rolnick},
journal= {arXiv preprint arXiv:2202.02124},
year = {2022}
}
备注
12 pages, 4 figures