.png){kind=icon}
返回
A Few-Shot Learning Framework for Understanding Mobile User Behavior
.png){kind=icon}
OA
AI
DOI：10.22581/muet1982.0155.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解移动用户的行为对于提供个性化体验至关重要，但获取大量标注数据既困难又昂贵。本文探索使用少样本学习来克服这一挑战，通过让模型仅从少量标注样例中进行学习。我们专注于基于行为数据（如应用使用情况、屏幕使用时间、电池消耗和数据使用情况）对移动用户进行分类。采用元学习方法，我们的模型经过50个周期的训练，期间持续监控损失和准确率。结果表明，该方法的测试准确率达到98.75%，且损失显著降低，表明即使在数据有限的情况下，少样本学习也能成为有效解决方案。这一方法为分析移动用户行为开辟了新途径，无需依赖大量标注数据，使其更适用于实际应用场景。
Keyword:
Few-Shot Learning
Meta-learning
Battery
Mobile data features
App usage prediction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
0.7
论文数:
63
被引数:
401
机构
引用论文
暂无论文信息