Papers with Code · CC BY-SA 4.0

Meta-Learning

694 평가 기록 73 datasets

Meta-learning is a methodology considered with "learning to learn" machine learning algorithms.

<span style="color:grey; opacity: 0.6">( Image credit: Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks )</span>

개요는 각 항목의 일부입니다. 위 탭에서 전체 기록을 페이지별로 탐색할 수 있습니다.

벤치마크

Papers with Code 아카이브의 데이터셋별 기록 예시입니다. 평가 조건과 지표 방향이 검증되지 않아 순위를 의미하지 않습니다.

Dataset기록된 모델 예시MetricPaperCode

PASCAL-5i (1-Shot)

SegGPT (ViT)

Mean IoU: 83.2

논문 코드

PASCAL-5i (5-Shot)

SegGPT (ViT)

Mean IoU: 89.8

논문 코드

COCO-20i (1-shot)

PGMA-Net (ResNet-101)

Mean IoU: 59.4FB-IoU: 78.5

논문 -

COCO-20i (5-shot)

SegGPT (ViT)

Mean IoU: 67.9

논문 코드

FSS-1000 (1-shot)

DACM (ResNet-101)

Mean IoU: 90.8

논문 코드

FSS-1000 (5-shot)

DACM (ResNet-101)

Mean IoU: 91.7

논문 코드

COCO-20i -> Pascal VOC (1-shot)

MSDNet (ResNet-101)

Mean IoU: 73.9

논문 코드

COCO-20i -> Pascal VOC (5-shot)

FPTrans (DeiT-B/16)

Mean IoU: 79.3

논문 코드

MedConceptsQA

gpt-4-0125-preview

Accuracy: 61.911

논문 코드

ChestX

StyleAdv-FT

5 shot: 26.24

논문 코드

EuroSAT

StyleAdv-FT

5 shot: 91.64

논문 코드

ISIC2018

StyleAdv-FT

5 shot: 53.05

논문 코드

데이터셋

73개

PASCAL-5i (1-Shot)PASCAL-5i (5-Shot)COCO-20i (1-shot)COCO-20i (5-shot)FSS-1000 (1-shot)FSS-1000 (5-shot)COCO-20i -> Pascal VOC (1-shot)COCO-20i -> Pascal VOC (5-shot)MedConceptsQA ChestX EuroSAT ISIC2018

논문

Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning

1910.10897 2019-10-24 이 페이지의 평가 4건

Meta-train success rate: 25%Meta-test success rate: 36%

Procedural Generalization by Planning with Self-Supervised World Models

2111.01587 2021-11-02 이 페이지의 평가 4건

Meta-train success rate: 74.9Meta-test success rate (zero-shot): 18.5

Analyzing Policy Distillation on Multi-Task Learning and Meta-Reinforcement Learning in Meta-World

2020-02-08 이 페이지의 평가 1건

Meta-test success rate: 5.4%

DisCor: Corrective Feedback in Reinforcement Learning via Distribution Correction

2003.07305 2020-03-16 이 페이지의 평가 1건

Average Success Rate: 26%

Meta Dropout: Learning to Perturb Latent Features for Generalization

2020-05-01 이 페이지의 평가 1건

% Test Accuracy: 95.75

Multi-Task Reinforcement Learning with Soft Modularization

2003.13661 2020-03-30 이 페이지의 평가 1건

Average Success Rate: 60.0%

라이브러리

Papers with Code 리더보드 row에 연결된 구현 저장소입니다.

github.com/avivne/bilinear-transduction 1 논문

github.com/CAVED123/METAWORLD 1 논문

github.com/EdNiehues/simulacao-de-projeto-para-mapeamento 1 논문

github.com/farama-foundation/metaworld 1 논문

github.com/mazpie/mime 1 논문

github.com/RamnathKumar181/Adversarial-Learning-Dynamics-in-RL 1 논문

github.com/rlworkgroup/metaworld 1 논문

github.com/uoe-agents/sami 1 논문

하위 태스크

FL Few-Shot Learning 69 데이터셋 · 681 rows SP Sample Probing 0 데이터셋 · 0 rows UM universal meta-learning 0 데이터셋 · 0 rows