面向快速适应的概念发现

深度学习的进展已使机器学习方法在多个领域超越人类，但训练良好的模型如何快速适应新任务仍是一大挑战。实现该目标的一个有前景的方案是元学习（也称学会学习），其在少样本学习中已取得令人瞩目的结果。然而，当前方法仍与人类学习过程存在巨大差异，尤其在提取结构性与可迁移知识的能力上。这一缺陷使得当前元学习框架缺乏可解释性，且难以扩展到更复杂任务。我们通过将概念发现引入少样本学习问题来解决该问题，通过对数据特征间结构进行元学习实现更有效的适应，从而形成数据的复合表示。我们提出的方法基于概念的无模型无关元学习（COMAML）已在合成与真实世界结构化数据集上展现出一致的性能提升。