去中心化神经网络中的元学习：迈向更通用的人工智能

元学习通常指从其他学习算法中学习的学习算法。神经网络预测中的不确定性问题表明，世界仅具有部分可预测性，且一个已学习的神经网络无法泛化到其不断变化的环境。因此，问题在于一个预测模型如何能够同时表示多个预测。我们旨在为去中心化神经网络（Decentralized NNs）中的学会学习提供基础性理解，并认为这是构建自主智能机器最重要的问题和前提之一。为此，我们将展示若干证据，说明如何利用去中心化神经网络中的元学习来解决上述问题。具体而言，我们将提出构建此类去中心化学习系统的三种不同方法：（1）从多个副本神经网络中学习，（2）为不同功能构建神经网络的层次结构，以及（3）利用不同的模态专家学习跨模态表示。