雷锋网AI科技评论按：通常而言，深度学习是典型的数据驱动型技术，面对数据有限的情况，传统的深度学习技术的性能往往不尽如人意。在本届ICLR上，许多研究者们利用元学习、迁移学习等技术对小样本学习问题进行了探究，发表了多篇高质量论文，可谓百家争鸣！深度学习工程师IsaacGodfried在Medium上发表了一篇文章，基于今年ICLR上关于小型数据集深度学习研究的论文，探讨了目前小样本学习的最新进展。雷锋网AI科技评论编译如下。

今年的国际表征学习大会（ICLR）于年5月6日如期开幕。按照我此前的计划，我会深入研究本届会议发表的一些有趣的ICLR论文。其中大多数的论文都与我个人感兴趣的研究领域相关（无监督学习、元学习、注意力机制、自然语言处理），但是我只会选出一些高质量的、并且在其各自的领域有所影响的精品论文进行分析，并更新系列博文。该系列博文的第一篇将介绍在小型数据集上的深度学习研究；第二篇将讨论在自然语言处理和其它类型的序列化数据上取得突破性进展的论文；而第三篇则将分析各类其它的、我认为十分有趣的论文。

迁移学习、元学习和无监督学习

训练数据有限的问题对各行各业都有着广泛的影响，包括医疗卫生、农业、汽车、零售、娱乐，等等。在另外一些情况下，我们拥有大量的数据，但是它们却未被标注。由于收集和标注数据的时间/成本很大，这个问题往往会成为将深度学习技术整合到目标任务中的障碍。

《学习无监督学习规则》

Learningunsupervisedlearningrules

论文下载

转载请注明:http://www.aideyishus.com/lkyy/5332.html