Buchumschlag

Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wei, Yongxian, Hu, Zixuan, Shen, Li, Wang, Zhenyi, Li, Yu, Yuan, Chun, Tao, Dacheng
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

Task-Distributionally Robust Data-Free Meta-Learning
von: Hu, Zixuan, et al.
Veröffentlicht: (2023)

FREE: Faster and Better Data-Free Meta-Learning
von: Wei, Yongxian, et al.
Veröffentlicht: (2024)

Sparse Model Inversion: Efficient Inversion of Vision Transformers for Data-Free Applications
von: Hu, Zixuan, et al.
Veröffentlicht: (2025)

Unlocking Tuning-Free Few-Shot Adaptability in Visual Foundation Models by Recycling Pre-Tuned LoRAs
von: Hu, Zixuan, et al.
Veröffentlicht: (2024)

Adaptive Defense against Harmful Fine-Tuning for Large Language Models via Bayesian Data Scheduler
von: Hu, Zixuan, et al.
Veröffentlicht: (2025)

Learning to Learn from APIs: Black-Box Data-Free Meta-Learning
von: Hu, Zixuan, et al.
Veröffentlicht: (2023)

Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning
von: Hu, Zixuan, et al.
Veröffentlicht: (2023)

Modeling Multi-Task Model Merging as Adaptive Projective Gradient Descent
von: Wei, Yongxian, et al.
Veröffentlicht: (2025)

Whoever Started the Interference Should End It: Guiding Data-Free Model Merging via Task Vectors
von: Cheng, Runxi, et al.
Veröffentlicht: (2025)

AdaMerging: Adaptive Model Merging for Multi-Task Learning
von: Yang, Enneng, et al.
Veröffentlicht: (2023)

Prompt Tuning with Diffusion for Few-Shot Pre-trained Policy Generalization
von: Hu, Shengchao, et al.
Veröffentlicht: (2024)

Representation Surgery for Multi-Task Model Merging
von: Yang, Enneng, et al.
Veröffentlicht: (2024)

Meta-Learning with Heterogeneous Tasks
von: Si, Zhaofeng, et al.
Veröffentlicht: (2024)

Learning Multi-Agent Communication from Graph Modeling Perspective
von: Hu, Shengchao, et al.
Veröffentlicht: (2024)

Q-value Regularized Transformer for Offline Reinforcement Learning
von: Hu, Shengchao, et al.
Veröffentlicht: (2024)

Solving Continual Offline Reinforcement Learning with Decision Transformer
von: Huang, Kaixin, et al.
Veröffentlicht: (2024)

SurgeryV2: Bridging the Gap Between Model Merging and Multi-Task Learning with Deep Representation Surgery
von: Yang, Enneng, et al.
Veröffentlicht: (2024)

HarmoDT: Harmony Multi-Task Decision Transformer for Offline Reinforcement Learning
von: Hu, Shengchao, et al.
Veröffentlicht: (2024)

Communication Learning in Multi-Agent Systems from Graph Modeling Perspective
von: Hu, Shengchao, et al.
Veröffentlicht: (2024)

Pre-training with Synthetic Data Helps Offline Reinforcement Learning
von: Wang, Zecheng, et al.
Veröffentlicht: (2023)

Task-Aware Harmony Multi-Task Decision Transformer for Offline Reinforcement Learning
von: Fan, Ziqing, et al.
Veröffentlicht: (2024)

Continual Task Learning through Adaptive Policy Self-Composition
von: Hu, Shengchao, et al.
Veröffentlicht: (2024)

Rethinking the Personalized Relaxed Initialization in the Federated Learning: Consistency and Generalization
von: Shen, Li, et al.
Veröffentlicht: (2026)

Combatting Dimensional Collapse in LLM Pre-Training Data via Diversified File Selection
von: Fan, Ziqing, et al.
Veröffentlicht: (2025)

Continual Learning From a Stream of APIs
von: Yang, Enneng, et al.
Veröffentlicht: (2023)

A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs
von: Sun, Yan, et al.
Veröffentlicht: (2024)

Text-Free Multi-domain Graph Pre-training: Toward Graph Foundation Models
von: Yu, Xingtong, et al.
Veröffentlicht: (2024)

A Pre-trained Data Deduplication Model based on Active Learning
von: Shi, Haochen, et al.
Veröffentlicht: (2023)

Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages
von: Ma, Guozheng, et al.
Veröffentlicht: (2023)

Towards Understanding Generalization and Stability Gaps between Centralized and Decentralized Federated Learning
von: Sun, Yan, et al.
Veröffentlicht: (2023)

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

Heterogeneity-Aware Coordination for Federated Learning via Stitching Pre-trained blocks
von: Zhan, Shichen, et al.
Veröffentlicht: (2024)

Unlabeled Data vs. Pre-trained Knowledge: Rethinking SSL in the Era of Large Models
von: Lv, Song-Lin, et al.
Veröffentlicht: (2025)

Learn To Learn More Precisely
von: Cheng, Runxi, et al.
Veröffentlicht: (2024)

Dynamic Regularized Sharpness Aware Minimization in Federated Learning: Approaching Global Consistency and Smooth Landscape
von: Sun, Yan, et al.
Veröffentlicht: (2023)

What Makes Value Learning Efficient in Residual Reinforcement Learning?
von: Ma, Guozheng, et al.
Veröffentlicht: (2026)

Data-Free Continual Learning of Server Models in Model-Heterogeneous Cloud-Device Collaboration
von: Zhang, Xiao, et al.
Veröffentlicht: (2025)

One Model for All: Universal Pre-training for EEG based Emotion Recognition across Heterogeneous Datasets and Paradigms
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Secure Transfer Learning: Training Clean Models Against Backdoor in (Both) Pre-trained Encoders and Downstream Datasets
von: Zhang, Yechao, et al.
Veröffentlicht: (2025)

SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models
von: Tang, Anke, et al.
Veröffentlicht: (2024)