Buchumschlag

MoEMeta: Mixture-of-Experts Meta Learning for Few-Shot Relational Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Han, Yin, Jie
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Meta-Semantics Augmented Few-Shot Relational Learning
von: Wu, Han, et al.
Veröffentlicht: (2025)

Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion
von: Wu, Han, et al.
Veröffentlicht: (2022)

HyperMoE: Towards Better Mixture of Experts via Transferring Among Experts
von: Zhao, Hao, et al.
Veröffentlicht: (2024)

Meta-Learning Based Few-Shot Graph-Level Anomaly Detection
von: Li, Liting, et al.
Veröffentlicht: (2025)

Meta-Task: A Method-Agnostic Framework for Learning to Regularize in Few-Shot Learning
von: Rostami, Mohammad, et al.
Veröffentlicht: (2024)

LightMoE: Reducing Mixture-of-Experts Redundancy through Expert Replacing
von: Hao, Jiawei, et al.
Veröffentlicht: (2026)

Toward Better Generalization in Few-Shot Learning through the Meta-Component Combination
von: Zeng, Qiuhao
Veröffentlicht: (2025)

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

Revisiting Few-Shot Learning from a Causal Perspective
von: Lin, Guoliang, et al.
Veröffentlicht: (2022)

Mixture-of-Experts Meets In-Context Reinforcement Learning
von: Wu, Wenhao, et al.
Veröffentlicht: (2025)

Flex-MoE: Modeling Arbitrary Modality Combination via the Flexible Mixture-of-Experts
von: Yun, Sukwon, et al.
Veröffentlicht: (2024)

Context-Aware Adapter Tuning for Few-Shot Relation Learning in Knowledge Graphs
von: Liu, Ran, et al.
Veröffentlicht: (2024)

MoE++: Accelerating Mixture-of-Experts Methods with Zero-Computation Experts
von: Jin, Peng, et al.
Veröffentlicht: (2024)

UniPool: A Globally Shared Expert Pool for Mixture-of-Experts
von: Huang, Minbin, et al.
Veröffentlicht: (2026)

Theory on Mixture-of-Experts in Continual Learning
von: Li, Hongbo, et al.
Veröffentlicht: (2024)

Drift-aware Collaborative Assistance Mixture of Experts for Heterogeneous Multistream Learning
von: Yu, En, et al.
Veröffentlicht: (2025)

Causal-Symbolic Meta-Learning (CSML): Inducing Causal World Models for Few-Shot Generalization
von: S, Mohamed Zayaan
Veröffentlicht: (2025)

Boosting Meta-Learning for Few-Shot Text Classification via Label-guided Distance Scaling
von: Gao, Yunlong, et al.
Veröffentlicht: (2026)

MoDE: A Mixture-of-Experts Model with Mutual Distillation among the Experts
von: Xie, Zhitian, et al.
Veröffentlicht: (2024)

A Survey of Few-Shot Learning on Graphs: from Meta-Learning to Pre-Training and Prompt Learning
von: Yu, Xingtong, et al.
Veröffentlicht: (2024)

MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning
von: Li, Jingyu, et al.
Veröffentlicht: (2025)

MoE-I$^2$: Compressing Mixture of Experts Models through Inter-Expert Pruning and Intra-Expert Low-Rank Decomposition
von: Yang, Cheng, et al.
Veröffentlicht: (2024)

MoFE-Time: Mixture of Frequency Domain Experts for Time-Series Forecasting Models
von: Liu, Yiwen, et al.
Veröffentlicht: (2025)

Quantum Diffusion Models for Few-Shot Learning
von: Wang, Ruhan, et al.
Veröffentlicht: (2024)

Mixture of Experts based Multi-task Supervise Learning from Crowds
von: Han, Tao, et al.
Veröffentlicht: (2024)

Mixture of Experts (MoE): A Big Data Perspective
von: Gan, Wensheng, et al.
Veröffentlicht: (2025)

SDG-MoE: Signed Debate Graph Mixture-of-Experts
von: Kulibaba, Stepan, et al.
Veröffentlicht: (2026)

ProbMoE: Differentiable Probabilistic Routing for Mixture-of-Experts
von: Zhao, Heng, et al.
Veröffentlicht: (2026)

Few-Shot Load Forecasting Under Data Scarcity in Smart Grids: A Meta-Learning Approach
von: Tsoumplekas, Georgios, et al.
Veröffentlicht: (2024)

Set-based Meta-Interpolation for Few-Task Meta-Learning
von: Lee, Seanie, et al.
Veröffentlicht: (2022)

HFedMoE: Resource-aware Heterogeneous Federated Learning with Mixture-of-Experts
von: Fang, Zihan, et al.
Veröffentlicht: (2026)

EAC-MoE: Expert-Selection Aware Compressor for Mixture-of-Experts Large Language Models
von: Chen, Yuanteng, et al.
Veröffentlicht: (2025)

BuddyMoE: Exploiting Expert Redundancy to Accelerate Memory-Constrained Mixture-of-Experts Inference
von: Wang, Yun, et al.
Veröffentlicht: (2025)

MoIN: Mixture of Introvert Experts to Upcycle an LLM
von: Tejankar, Ajinkya, et al.
Veröffentlicht: (2024)

Language-Guided Reinforcement Learning for Hard Attention in Few-Shot Learning
von: Nikpour, Bahareh, et al.
Veröffentlicht: (2023)

An experimental approach on Few Shot Class Incremental Learning
von: Adam, Marinela
Veröffentlicht: (2025)

Few-Shot Class-Incremental Learning with Prior Knowledge
von: Jiang, Wenhao, et al.
Veröffentlicht: (2024)

A Strong Baseline for Molecular Few-Shot Learning
von: Formont, Philippe, et al.
Veröffentlicht: (2024)

NTK-Guided Few-Shot Class Incremental Learning
von: Liu, Jingren, et al.
Veröffentlicht: (2024)

PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts
von: Su, Yang, et al.
Veröffentlicht: (2025)