Omniglot
PulseAugur coverage of Omniglot — every cluster mentioning Omniglot across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架统一了边缘设备的设备端学习
研究人员开发了一个名为嵌入式中心学习（ECL）的新框架，该框架统一了四种不同的设备端学习场景：少样本学习（FSL）、持续学习（CL）、零样本学习（ZSL）和上下文内学习（ICL）。该框架允许资源受限的边缘设备在不依赖云端处理的情况下适应和个性化预测，解决了能耗、延迟和隐私问题。在硅片上的演示表明，ECL在FSL字符识别方面取得了最先进的性能，并为关键词识别中的CL建立了硬件基线，同时在微瓦到毫瓦功耗预算内完成了ZSL和ICL的硬件演示。
-
Chameleon 加速器支持设备端少样本和持续学习
研究人员开发了 Chameleon，这是一种新颖的硬件加速器，专为从序列数据进行高效的设备端学习而设计。该加速器集成了学习和推理能力，以最小的面积开销支持少样本和持续学习。Chameleon 利用时域卷积网络来捕获长时序依赖关系，从而实现序列数据的端到端片上学习和原始音频推理。该加速器采用 40 纳米 CMOS 工艺制造，在 Omniglot 和 Google Speech Commands 等基准测试中实现了最先进的准确性，同时功耗极低。
-
自适应赫布路由增强了少样本视觉 Transformer 的性能
研究人员为少样本视觉 Transformer 开发了一种自适应赫布记忆路由方法，以提高从有限数据中进行图像识别的能力。该方法使用轻量级 MLP 路由器来动态控制赫布记忆的贡献、更新强度和先前记忆的保留。在各种骨干网络和数据集上的实验表明，自适应变体与固定的赫布方法相比，提高了性能并缩短了推理时间，显示了自适应可塑性和记忆激活的好处。
-
赫布快速权重增强了用于少样本字符识别的 Vision Transformer
研究人员通过将赫布快速权重 (HFW) 模块集成到 Vision Transformer 架构中，开发了一种新的少样本字符识别方法。与依赖固定表征的标准 Transformer 不同，该方法旨在模仿生物神经网络在推理过程中形成瞬时联想记忆的能力。当应用于 Swin-Tiny 模型时，该策略在 Omniglot 基准测试的 5 路 1 样本分类中达到了 96.2% 的准确率，在 5 路 5 样本分类中达到了 99.2% 的准确率，略优于…
-
OpenAI发布VAE，以改进表示学习和密度估计
OpenAI发布了一篇关于变分自编码器（VAE）的研究，该模型将VAE与RNN和PixelCNN等自回归模型相结合。这种新的VAE架构可以控制潜在代码的学习内容，使其能够丢弃图像中的纹理等无关信息。该模型在MNIST、OMNIGLOT和Caltech-101 Silhouettes的密度估计任务上取得了最先进的成果。