Meta-Learning

9 items

RESEARCHarXiv CS.CL·22/04/2026

Model-Agnostic Meta Learning for Class Imbalance Adaptation

Cet article présente Hardness-Aware Meta-Resample (HAMR), un cadre unifié qui s'adapte aux déséquilibres de classes et à la difficulté des données dans les tâches de PNL. HAMR utilise des optimisations à deux niveaux et un mécanisme de rééchantillonnage conscient du voisinage pour prioriser les échantillons véritablement difficiles et les classes minoritaires, démontrant des améliorations substantielles sur divers ensembles de données déséquilibrés.

Meta-Learning deep learning machine learning Natural Language Processing

RESEARCHarXiv CS.LG·16/04/2026

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

Cet article présente l'algorithme Langevin Gradient Descent (LGD) pour les problèmes de régression convexe, prouvant que les configurations optimales d'hyperparamètres atteignent la solution optimale de Bayes. Le travail offre également des garanties de généralisation pour le méta-apprentissage des hyperparamètres optimaux du LGD, avec une borne de pseudo-dimension de O(dh).

Meta-Learning Optimization Generalization Hyperparameter Tuning

RESEARCHarXiv CS.AI·14/04/2026

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

AHC est un cadre de méta-apprentissage pour la détection continue d'objets sur microcontrôleurs à mémoire limitée, s'adaptant aux distributions de tâches évolutives. Il utilise une compression adaptative basée sur MAML, une compression hiérarchique multi-échelle et une architecture à double mémoire pour prévenir l'oubli catastrophique avec un budget de 100KB.

Meta-Learning Adaptive Compression Microcontrollers object detection

ARTICLEDEV.to AI·07/05/2026

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

L'auteur décrit un moment décisif où l'optimisation statique, y compris le méta-apprentissage, s'est avérée obsolète pour les chaînes d'approvisionnement de fabrication circulaire dynamiques, échouant catastrophiquement lors de changements de politique soudains comme une taxe carbone. Cette expérience a mis en évidence la limitation fondamentale des méthodes traditionnelles à s'adapter aux complexités du monde réel.

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

RESEARCHarXiv CS.AI·01/05/2026

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

Cet article propose LAM-PINN, un cadre de méta-apprentissage compositionnel pour atténuer l'hétérogénéité des tâches dans les Réseaux Neuronaux Informés par la Physique (PINNs). Il répond au défi de l'entraînement des PINNs pour des familles d'équations aux dérivées partielles (EDP) qui entraînent des coûts de calcul élevés ou un transfert négatif dans des conditions de données rares.

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

RESEARCHarXiv CS.LG·27/04/2026

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

Mochi est un modèle de fondation graphique qui améliore l'efficacité et l'unification des tâches grâce à un cadre d'entraînement basé sur le méta-apprentissage. Il se pré-entraîne sur des épisodes à faible nombre d'exemples qui imitent directement l'évaluation en aval, surmontant les limites des méthodes traditionnelles et obtenant des performances compétitives.

Meta-Learning Model Alignment Graph Neural Networks Foundation Models

RESEARCHarXiv CS.LG·07/05/2026

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

MetaAdamW est un nouvel optimiseur qui utilise un mécanisme d'auto-attention pour ajuster dynamiquement les taux d'apprentissage et la décroissance du poids par groupe de paramètres, remédiant à la limitation des hyperparamètres uniformes. Le module d'attention est entraîné via un objectif de méta-apprentissage combinant l'alignement du gradient, la diminution de la perte et l'écart de généralisation.

Meta-Learning deep learning learning AI Research

RESEARCHarXiv CS.AI·30/04/2026

OMEGA: Optimizing Machine Learning by Evaluating Generated Algorithms

OMEGA est un framework complet qui automatise la recherche en IA, de la génération d'idées au code exécutable, combinant l'ingénierie de méta-prompts et la génération de code. Il a généré de nouveaux classificateurs ML surpassant les baselines de scikit-learn sur 20 datasets benchmark.

Meta-Learning machine learning code generation Algorithms

RESEARCHarXiv CS.AI·il y a 19j

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

SOLAR est un agent IA autonome conçu pour surmonter les défis des grands modèles de langage dans des environnements dynamiques, permettant l'apprentissage continu et l'adaptation constante. Il utilise le méta-apprentissage au niveau des paramètres et l'apprentissage par renforcement multi-niveaux pour s'auto-améliorer et découvrir des stratégies d'adaptation.

Meta-Learning reinforcement learning learning Lifelong Learning