Buchumschlag

Unsupervised Meta-Learning via In-Context Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vettoruzzo, Anna, Braccaioli, Lorenzo, Vanschoren, Joaquin, Nowaczyk, Marlena
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Meta-Learning Transformers to Improve In-Context Generalization
von: Braccaioli, Lorenzo, et al.
Veröffentlicht: (2025)

Advances and Challenges in Meta-Learning: A Technical Review
von: Vettoruzzo, Anna, et al.
Veröffentlicht: (2023)

Learning to Learn without Forgetting using Attention
von: Vettoruzzo, Anna, et al.
Veröffentlicht: (2024)

Meta-Learning for Unsupervised Outlier Detection with Optimal Transport
von: Singh, Prabhant, et al.
Veröffentlicht: (2022)

On Supernet Transfer Learning for Effective Task Adaptation
von: Singh, Prabhant, et al.
Veröffentlicht: (2024)

Automated Machine Learning for Unsupervised Tabular Tasks
von: Singh, Prabhant, et al.
Veröffentlicht: (2025)

MALIBO: Meta-learning for Likelihood-free Bayesian Optimization
von: Pan, Jiarong, et al.
Veröffentlicht: (2023)

Can time series forecasting be automated? A benchmark and analysis
von: Sreedhara, Anvitha Thirthapura, et al.
Veröffentlicht: (2024)

Automatic Combination of Sample Selection Strategies for Few-Shot Learning
von: Pecher, Branislav, et al.
Veröffentlicht: (2024)

Continual Learning on a Data Diet
von: Yildirim, Elif Ceren Gok, et al.
Veröffentlicht: (2024)

Evolving Machine Learning in Non-Stationary Environments: A Unified Survey of Drift, Forgetting, and Adaptation
von: Martin, Ignacio Cabrera, et al.
Veröffentlicht: (2025)

AutoML Benchmark with shorter time constraints and early stopping
von: Jurado, Israel Campero, et al.
Veröffentlicht: (2025)

Data-Efficient Operator Learning via Unsupervised Pretraining and In-Context Learning
von: Chen, Wuyang, et al.
Veröffentlicht: (2024)

How NOT to benchmark your SITE metric: Beyond Static Leaderboards and Towards Realistic Evaluation
von: Singh, Prabhant, et al.
Veröffentlicht: (2025)

Robustness of AutoML on Dirty Categorical Data
von: Bueno, Marcos L. P., et al.
Veröffentlicht: (2026)

Occam's model: Selecting simpler representations for better transferability estimation
von: Singh, Prabhant, et al.
Veröffentlicht: (2025)

AdaCL:Adaptive Continual Learning
von: Yildirim, Elif Ceren Gok, et al.
Veröffentlicht: (2023)

Self-Regulated Neurogenesis for Online Data-Incremental Learning
von: Yildirim, Murat Onur, et al.
Veröffentlicht: (2024)

Automated Reinforcement Learning: An Overview
von: Afshar, Reza Refaei, et al.
Veröffentlicht: (2022)

Pruned Adaptation Modules: A Simple yet Strong Baseline for Continual Foundation Models
von: Yildirim, Elif Ceren Gok, et al.
Veröffentlicht: (2026)

Understanding Prompt Tuning and In-Context Learning via Meta-Learning
von: Genewein, Tim, et al.
Veröffentlicht: (2025)

Self-Augmented In-Context Learning for Unsupervised Word Translation
von: Li, Yaoyiran, et al.
Veröffentlicht: (2024)

Unsupervised Meta-Learning via Dynamic Head and Heterogeneous Task Construction for Few-Shot Classification
von: Guan, Yunchuan, et al.
Veröffentlicht: (2024)

Meta-Sel: Efficient Demonstration Selection for In-Context Learning via Supervised Meta-Learning
von: Wang, Xubin, et al.
Veröffentlicht: (2026)

Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning
von: Dahlinger, Philipp, et al.
Veröffentlicht: (2025)

Exploring Active Learning in Meta-Learning: Enhancing Context Set Labeling
von: Bae, Wonho, et al.
Veröffentlicht: (2023)

Heterogeneous Federated Learning via Personalized Generative Networks
von: Taghiyarrenani, Zahra, et al.
Veröffentlicht: (2023)

Metalic: Meta-Learning In-Context with Protein Language Models
von: Beck, Jacob, et al.
Veröffentlicht: (2024)

Context-Aware Meta-Learning
von: Fifty, Christopher, et al.
Veröffentlicht: (2023)

Unsupervised Meta-Testing with Conditional Neural Processes for Hybrid Meta-Reinforcement Learning
von: Ada, Suzan Ece, et al.
Veröffentlicht: (2025)

Unlocking [CLS] Features for Continual Post-Training
von: Yildirim, Murat Onur, et al.
Veröffentlicht: (2025)

In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning
von: Wakayama, Tomoya, et al.
Veröffentlicht: (2025)

Smart Information Exchange for Unsupervised Federated Learning via Reinforcement Learning
von: Lee, Seohyun, et al.
Veröffentlicht: (2024)

Rapid Word Learning Through Meta In-Context Learning
von: Wang, Wentao, et al.
Veröffentlicht: (2025)

Zero-Shot Time Series Forecasting with Covariates via In-Context Learning
von: Auer, Andreas, et al.
Veröffentlicht: (2025)

Neural Context Flows for Meta-Learning of Dynamical Systems
von: Nzoyem, Roussel Desmond, et al.
Veröffentlicht: (2024)

Is Meta-Learning Out? Rethinking Unsupervised Few-Shot Classification with Limited Entropy
von: Guan, Yunchuan, et al.
Veröffentlicht: (2025)

CLUTR: Curriculum Learning via Unsupervised Task Representation Learning
von: Azad, Abdus Salam, et al.
Veröffentlicht: (2022)

CLAMS: A System for Zero-Shot Model Selection for Clustering
von: Singh, Prabhant, et al.
Veröffentlicht: (2024)

General-Purpose In-Context Learning by Meta-Learning Transformers
von: Kirsch, Louis, et al.
Veröffentlicht: (2022)