e3bm:PyTorch实施“极少学习的历时经验贝叶斯合奏”(ECCV 2020) 源码

极少学习的历时经验贝叶斯合奏 该存储库包含论文“的历时”的PyTorch实现。 如果您对此存储库或相关文章有任何疑问,请随时或。 概括 介绍 少量学习旨在通过一些示例来训练有效的预测模型。 缺乏训练数据导致执行高方差或低置信度预测的模型较差。 在本文中,我们建议对时间经验贝叶斯模型(E 3 BM)的集合进行元学习,以实现可靠的预测。 “ Epoch-wise”意味着每个训练时期都有一个贝叶斯模型,其参数是专门学习和部署的。 “经验的”是指超参数,例如,用于学习和整合时代模型的超参数,是由超高级学习者根据特定于任务的数据生成的。 在元学习的范式中,我们通过考虑归纳式与转导式,历时性与纪元性来介绍四种超高级学习者。 我们在三个具有挑战性的基准测试上对五类少发任务进行了广泛的实验:miniImageNet,tieredImageNet和FC100,并使用依赖于历时的转导超优先学习器来获得最佳性