处理多样化神经结构的图元网络
原文中文，约300字，阅读约需1分钟。发表于：。通过构建图形元网络，将权重从其他神经网络作为输入，我们的 Graph Metanetworks (GMNs) 方法解决了处理对称性和参数空间几何的困难，有效地推广到多种神经网络架构，并验证了其有效性。
本文介绍了一种新的元学习方法Meta Networks（MetaNet），通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，保持以前所学的性能表现。MetaNet模型在Omniglot和Mini-ImageNet基准测试中实现了接近人类水平的表现，并在准确性上优于基线方法高达6％。展示了MetaNet的几个有吸引力的性质，如泛化和持续学习。
