用于深度网络快速适应的模型无关元学习
机器学习
2017-07-19 v3 人工智能
计算机视觉与模式识别
神经与进化计算
摘要
我们提出了一种模型无关的元学习算法，即它与任何使用梯度下降训练的模型兼容，并适用于各种不同的学习问题，包括分类、回归和强化学习。元学习的目标是在各种学习任务上训练模型，使其能够仅使用少量训练样本解决新的学习任务。在我们的方法中，模型的参数被显式训练，使得仅用少量来自新任务的训练数据进行少量梯度步长即可在该任务上产生良好的泛化性能。实际上，我们的方法训练模型使其易于微调。我们证明该方法在两个少样本图像分类基准上达到了 SOTA 性能，在少样本回归上产生了良好的结果，并加速了使用神经网络策略的策略梯度强化学习的微调过程。
引用
@article{arxiv.1703.03400,
title = {Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks},
author = {Chelsea Finn and Pieter Abbeel and Sergey Levine},
journal= {arXiv preprint arXiv:1703.03400},
year = {2017}
}
备注
ICML 2017. Code at https://github.com/cbfinn/maml, Videos of RL results at https://sites.google.com/view/maml, Blog post at http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/