Buchumschlag

Exploring the Efficacy of Meta-Learning: Unveiling Superior Data Diversity Utilization of MAML Over Pre-training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Selva, Kavita, Vittayaareekul, Satita, Miranda, Brando
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Is Pre-training Truly Better Than Meta-Learning?
von: Miranda, Brando, et al.
Veröffentlicht: (2023)

MAML MOT: Multiple Object Tracking based on Meta-Learning
von: Chen, Jiayi, et al.
Veröffentlicht: (2024)

A Medical Data-Effective Learning Benchmark for Highly Efficient Pre-training of Foundation Models
von: Yang, Wenxuan, et al.
Veröffentlicht: (2024)

Slight Corruption in Pre-training Data Makes Better Diffusion Models
von: Chen, Hao, et al.
Veröffentlicht: (2024)

Pre-training Vision Transformers with Formula-driven Supervised Learning
von: Kataoka, Hirokatsu, et al.
Veröffentlicht: (2022)

TRUST: Test-time Resource Utilization for Superior Trustworthiness
von: Harikumar, Haripriya, et al.
Veröffentlicht: (2025)

Revisit Large-Scale Image-Caption Data in Pre-training Multimodal Foundation Models
von: Lai, Zhengfeng, et al.
Veröffentlicht: (2024)

SLCA++: Unleash the Power of Sequential Fine-tuning for Continual Learning with Pre-training
von: Zhang, Gengwei, et al.
Veröffentlicht: (2024)

Self-supervised Pre-training of Text Recognizers
von: Kišš, Martin, et al.
Veröffentlicht: (2024)

Shedding Light on Large Generative Networks: Estimating Epistemic Uncertainty in Diffusion Models
von: Berry, Lucas, et al.
Veröffentlicht: (2024)

Pre-Training Meta-Rule Selection Policy for Visual Generative Abductive Learning
von: Jin, Yu, et al.
Veröffentlicht: (2025)

Evaluating Data Influence in Meta Learning
von: Ren, Chenyang, et al.
Veröffentlicht: (2025)

Dataset Ownership Verification in Contrastive Pre-trained Models
von: Xie, Yuechen, et al.
Veröffentlicht: (2025)

Practical Continual Forgetting for Pre-trained Vision Models
von: Zhao, Hongbo, et al.
Veröffentlicht: (2025)

Pre-training with Random Orthogonal Projection Image Modeling
von: Haghighat, Maryam, et al.
Veröffentlicht: (2023)

Benchmark Analysis of Various Pre-trained Deep Learning Models on ASSIRA Cats and Dogs Dataset
von: Himel, Galib Muhammad Shahriar, et al.
Veröffentlicht: (2024)

On Pretraining Data Diversity for Self-Supervised Learning
von: Hammoud, Hasan Abed Al Kader, et al.
Veröffentlicht: (2024)

Vehicle-centric Perception via Multimodal Structured Pre-training
von: Wu, Wentao, et al.
Veröffentlicht: (2025)

Stylized Structural Patterns for Improved Neural Network Pre-training
von: Salehi, Farnood, et al.
Veröffentlicht: (2025)

Multi-modal Vision Pre-training for Medical Image Analysis
von: Rui, Shaohao, et al.
Veröffentlicht: (2024)

Unlocking Pre-trained Image Backbones for Semantic Image Synthesis
von: Berrada, Tariq, et al.
Veröffentlicht: (2023)

Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks
von: Chen, Hao, et al.
Veröffentlicht: (2023)

NIL: No-data Imitation Learning by Leveraging Pre-trained Video Diffusion Models
von: Albaba, Mert, et al.
Veröffentlicht: (2025)

A Comparative Study of Custom CNNs, Pre-trained Models, and Transfer Learning Across Multiple Visual Datasets
von: Akhand, Annoor Sharara
Veröffentlicht: (2026)

Gradient-based Fine-Tuning through Pre-trained Model Regularization
von: Liu, Xuanbo, et al.
Veröffentlicht: (2025)

Benchmarking the Influence of Pre-training on Explanation Performance in MR Image Classification
von: Oliveira, Marta, et al.
Veröffentlicht: (2023)

GPD-1: Generative Pre-training for Driving
von: Xie, Zixun, et al.
Veröffentlicht: (2024)

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

Improved Crop and Weed Detection with Diverse Data Ensemble Learning
von: Asad, Muhammad Hamza, et al.
Veröffentlicht: (2023)

Bridging Diversity and Uncertainty in Active learning with Self-Supervised Pre-Training
von: Doucet, Paul, et al.
Veröffentlicht: (2024)

On the Difficulty of Learning a Meta-network for Training Data Selection
von: Du, Zilin, et al.
Veröffentlicht: (2026)

Domain-Specific Pre-training Improves Confidence in Whole Slide Image Classification
von: Chitnis, Soham Rohit, et al.
Veröffentlicht: (2023)

Effective Backdoor Mitigation in Vision-Language Models Depends on the Pre-training Objective
von: Verma, Sahil, et al.
Veröffentlicht: (2023)

Region-Aware Reconstruction Strategy for Pre-training fMRI Foundation Model
von: Doodipala, Ruthwik Reddy, et al.
Veröffentlicht: (2025)

Closed-Form Linear-Probe Dataset Distillation for Pre-trained Vision Models
von: Peng, Bincheng, et al.
Veröffentlicht: (2026)

Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation
von: Wang, Fan, et al.
Veröffentlicht: (2024)

Learning to See Before Seeing: Demystifying LLM Visual Priors from Language Pre-training
von: Han, Junlin, et al.
Veröffentlicht: (2025)

Pre-trained Vision-Language Models Learn Discoverable Visual Concepts
von: Zang, Yuan, et al.
Veröffentlicht: (2024)

Exploring MLLM-Diffusion Information Transfer with MetaCanvas
von: Lin, Han, et al.
Veröffentlicht: (2025)

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