面向少样本学习的高效自动元优化搜索
机器学习
2019-09-10 v1 计算机视觉与模式识别
神经与进化计算
摘要
以往的元学习工作要么依赖精心手工设计的网络结构，要么针对特定领域采用专门的学习规则。我们提出一种通用框架，通过采用神经架构搜索技术（NAS）来自动优化元学习过程。NAS为少样本学习问题自动生成并评估元学习器的架构，而元学习器则基于学习任务的分布使用元学习算法优化其参数。我们采用参数共享与经验回放来加速架构搜索过程，因此仅需1-2个GPU日即可找到良好架构。在Mini-ImageNet和Omniglot上的大量实验表明，我们的算法在少样本学习任务中表现优异。在Mini-ImageNet上找到的最佳架构迁移到Omniglot时取得了有竞争力的结果，这表明了架构在不同计算机视觉问题间的高可迁移性。
引用
@article{arxiv.1909.03817,
title = {Efficient Automatic Meta Optimization Search for Few-Shot Learning},
author = {Xinyue Zheng and Peng Wang and Qigang Wang and Zhongchao shi and Feiyu Xu},
journal= {arXiv preprint arXiv:1909.03817},
year = {2019}
}