PulseAugur
中
实时 06:01:46
English(EN) Human-Machine Collaboration on Generative Meta-Learning: Model and Algorithm

新的GMHF框架通过人类反馈增强机器学习泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新的框架——生成式元学习与人类反馈（GMHF），旨在提高机器学习模型在目标领域数据有限或无数据情况下的泛化能力。GMHF框架利用专家直觉指导数据合成，理论上通过使生成数据分布与人类对目标领域的信念保持一致来减少泛化误差。这通过条件神经ODE（cNODE）和基于反馈优化物理参数的强化学习（RL）代理来实现，引导元学习器趋向未见过的分布。在非线性Duffing振子和概率模型上的实验表明，当专家反馈可靠时，GMHF能显著降低部署损失和数据发散，证实了其在分布偏移下增强泛化能力的有效性。 AI

影响 该框架通过利用人类专业知识，有望显著改善AI模型在新环境或数据稀缺环境中的部署。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的元学习模型和算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的GMHF框架通过人类反馈增强机器学习泛化能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Samuel Kaski ·

    生成式元学习的人机协作：模型与算法

    Generalizing machine learning models to environments that differ from their training distribution remains a critical hurdle, particularly when data from the target domain is entirely or partially unavailable. We propose Generative Meta-Learning with Human Feedback (GMHF), a novel…

相关实体

相关话题