多任务迁移学习中的不确定性
机器学习
2018-07-09 v3 机器学习
摘要
利用变分贝叶斯神经网络,我们开发了一种能从多个不同任务中将知识累积为先验的算法。其结果是一个丰富且有意义的先验,能够在新任务上实现少样本学习。后验可超越均值场近似,并在所执行实验中给出良好的不确定性估计。在玩具任务上的分析表明,它能从显著不同的任务中学习,同时发现它们之间的相似性。在Mini-Imagenet上的实验取得了新的SOTA,5-shot学习准确率达74.5%。最后,我们提供的实验表明其他现有方法在不同基准上可能表现不佳。
引用
@article{arxiv.1806.07528,
title = {Uncertainty in Multitask Transfer Learning},
author = {Alexandre Lacoste and Boris Oreshkin and Wonchang Chung and Thomas Boquet and Negar Rostamzadeh and David Krueger},
journal= {arXiv preprint arXiv:1806.07528},
year = {2018}
}