Meta-Learning

9 items

RESEARCHarXiv CS.CL·4/22/2026

Model-Agnostic Meta Learning for Class Imbalance Adaptation

Dieses Papier stellt Hardness-Aware Meta-Resample (HAMR) vor, ein vereinheitlichtes Framework zur adaptiven Bewältigung von Klassenungleichgewicht und Datenschwierigkeiten bei NLP-Aufgaben. HAMR nutzt Bi-Level-Optimierungen und einen Nachbarschafts-bewussten Resampling-Mechanismus, um wirklich herausfordernde Stichproben und Minderheitsklassen zu priorisieren, und erzielt erhebliche Verbesserungen bei verschiedenen unausgewogenen Datensätzen.

Meta-Learning deep learning machine learning Natural Language Processing

RESEARCHarXiv CS.LG·4/16/2026

Generalization Guarantees on Data-Driven Tuning of Gradient Descent with Langevin Updates

Dieses Papier stellt den Langevin Gradient Descent (LGD) Algorithmus für konvexe Regressionsprobleme vor und beweist, dass optimale Hyperparameterkonfigurationen die Bayes-optimale Lösung erreichen. Die Arbeit liefert auch Generalisierungsgarantien für das Meta-Lernen der optimalen LGD-Hyperparameter mit einer Pseudodimensionsgrenze von O(dh).

Meta-Learning Optimization Generalization Hyperparameter Tuning

RESEARCHarXiv CS.AI·4/14/2026

AHC: Meta-Learned Adaptive Compression for Continual Object Detection on Memory-Constrained Microcontrollers

Adaptive Hierarchical Compression (AHC) ist ein Meta-Lern-Framework für die kontinuierliche Objekterkennung auf speicherbeschränkten Mikrocontrollern, das sich an sich entwickelnde Aufgabenverteilungen anpasst. Es nutzt MAML-basierte adaptive Kompression, hierarchische Mehrskalenkompression und eine Dual-Speicher-Architektur, um katastrophales Vergessen innerhalb eines strengen 100KB Speicherbudgets zu verhindern.

Meta-Learning Adaptive Compression Microcontrollers object detection

ARTICLEDEV.to AI·5/7/2026

Meta-Optimized Continual Adaptation for circular manufacturing supply chains in carbon-negative infrastructure

Der Autor beschreibt einen entscheidenden Moment, in dem statische Optimierung, einschließlich Meta-Lernen, für dynamische Lieferketten der Kreislaufwirtschaft obsolet wurde und bei plötzlichen politischen Änderungen wie einer Kohlenstoffsteuer katastrophal versagte. Diese Erfahrung legte die grundlegende Begrenzung traditioneller Methoden bei der Anpassung an reale Komplexitäten offen.

Meta-Learning carbon-negative infrastructure reinforcement learning supply chain optimization

RESEARCHarXiv CS.AI·5/1/2026

Compositional Meta-Learning for Mitigating Task Heterogeneity in Physics-Informed Neural Networks

Dieses Papier schlägt LAM-PINN vor, ein kompositorisches Meta-Lern-Framework zur Minderung der Aufgabenheterogenität in physikinformierten neuronalen Netzen (PINNs). Es adressiert die Herausforderung, PINNs für Familien von partiellen Differentialgleichungen (PDEs) zu trainieren, die oft hohe Rechenkosten oder negativen Transfer unter datenknappen Bedingungen mit sich bringen.

Meta-Learning neural networks Physics-Informed Neural Networks partial differential equations

RESEARCHarXiv CS.LG·4/27/2026

Mochi: Aligning Pre-training and Inference for Efficient Graph Foundation Models via Meta-Learning

Mochi ist ein Graph Foundation Model, das Effizienz und Aufgabenvereinheitlichung durch ein Meta-Learning-Framework verbessert. Es wird mit Few-Shot-Episoden vorab trainiert, die das nachgeschaltete Evaluierungsprotokoll widerspiegeln, und überwindet so die Einschränkungen herkömmlicher Methoden, um eine wettbewerbsfähige Leistung zu erzielen.

Meta-Learning Model Alignment Graph Neural Networks Foundation Models

RESEARCHarXiv CS.LG·5/7/2026

A Self-Attentive Meta-Optimizer with Group-Adaptive Learning Rates and Weight Decay

MetaAdamW ist ein neuer Optimierer, der einen Selbstaufmerksamkeitsmechanismus verwendet, um gruppenspezifische Lernraten und Gewichtsabnahme dynamisch anzupassen und die Begrenzung uniformer Hyperparameter zu überwinden. Das Aufmerksamkeitsmodul wird über ein Meta-Lernziel trainiert, das Gradientenausrichtung, Verlustreduzierung und Generalisierungsabstand kombiniert.

Meta-Learning deep learning learning AI Research

RESEARCHarXiv CS.AI·4/30/2026

OMEGA: Optimizing Machine Learning by Evaluating Generated Algorithms

OMEGA ist ein End-to-End-Framework, das die KI-Forschung automatisiert, von der Ideengenerierung bis zum ausführbaren Code, mittels strukturierter Meta-Prompt-Entwicklung und Codegenerierung. Es hat neuartige ML-Klassifikatoren erzeugt, die Scikit-learn-Baselines auf 20 Benchmark-Datensätzen übertreffen.

Meta-Learning machine learning code generation Algorithms

RESEARCHarXiv CS.AI·vor 19T

SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation

SOLAR ist ein autonomer KI-Agent, der entwickelt wurde, um die Herausforderungen großer Sprachmodelle in dynamischen Umgebungen zu überwinden, indem er lebenslanges Lernen und kontinuierliche Anpassung ermöglicht. Er nutzt Meta-Learning auf Parameterebene und mehrstufiges Reinforcement Learning, um sich selbst zu verbessern und Anpassungsstrategien zu entdecken.

Meta-Learning reinforcement learning learning Lifelong Learning