meta-learning即元学习，也可以称为“learning to learn”。常见的深度学习模型，目的是学习一个用于预测的数学模型。而元学习面向的不是学习的结果，而是学习的过程。其学习的不是一个直接用于预测的数学模型，而是学习“如何更快更好地学习一个数学模型”。
从任务划分就开始与众不同的元学习-潘珲原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2022/10/03/%e4%bb%8e%e4%bb%bb%e5%8a%a1%e5%88%92%e5%88%86%e5%b0%b1%e5%bc%80%e5%a7%8b%e4%b8%8e%e4%bc%97%e4%b8%8d%e5%90%8c%e7%9a%84%e5%85%83%e5%ad%a6%e4%b9%a0/
网络表示学习（Network Representation Learning），又名网络嵌入（Network Embedding）、图嵌入（Graph Embedding），旨在从…
Cookie 是网站为辨别用户身份而储存在用户终端上的数据（通常经过加密），是绕开http无状态性的额外手段…
优化问题是机器学习的核心和本质。在深度学习中，即使有完全相同的数据集和模型框架，使用的优化算法不同，所得到的训练结果也可能不同。深度…
深度学习模型具有高度非线性和特征空间抽象等特性，内部决策逻辑难以解释，导致其实际应用严重受限。本次报告从深度神经网络可解释性的基本概念出发，对常见的解释方法进行简介，并介绍了一篇将…
本报告讲述了即时软件缺陷预测领域的基本概念，通过详细介绍集成了专家特征和语义特征的变更级软件缺陷预测和缺陷定位模型，启发思考通过结合专家特征和代码行上下文语义特征，提高变更级软件缺…
复杂软件的模糊测试在大模型快速发展的当下，已经有了多种自动化测试方案，但受制于大模型的生成模式而存在测试效率低、成本高的问题。本次学术报告结合ProphetFuzz和G2FUZZ两…
高斯混合模型（Gaussian mixture model，GMM）用于对样本的概率密度分布进行估计，而估计…
本报告主要介绍属性缺失异质图神经网络，探讨了异质图研究领域的发展历程，详细介绍了属性缺失异质图的基本概念、常用处理方法以及两种前沿的属性补全异质图神经网络。
知识图谱补全是知识图谱技术研究热点。以前的知识图谱补全方法需要大量的训练实例，而知识图谱中普便存在“长尾数据”现象，大多关系无法提供大量样本数据。本次学术报告通过将元学习方法思想引…
智能化系统越来越多地部署在对安全性至关重要的领域中，包括无人驾驶汽车和恶意软件检测。在这些领域中，系统行为的正确性和可预测性对于极端案例输入是至关重要的。软件测试作为软件部署前的重…
