一次性机器教学：以极少样本更快收敛

人工智能旨在教机器像人类一样采取行动。为实现智能教学，机器学习界开始关注一个有前景的主题——机器教学，其中教师给定目标模型与特定学习器来设计最优（通常为最小）教学集。然而，以往工作通常需要大量教学样本与多次迭代来引导学习器收敛，代价高昂。本文考虑一种更智能的教学范式，称为一次性机器教学，其以更少样本更快收敛。与典型教学不同，该先进范式建立了从教学集到模型参数的易处理映射。理论上，我们证明该映射是满射，这为最优教学集的存在性提供保证。进而，依赖于从教学集到参数的满射映射，我们在适当设定下开发了最优教学集的设计策略，其中两种流行的效率度量——教学维度与迭代教学维度即属此类。大量实验验证了我们的策略的效率，并进一步展示了这一新教学范式的智能性。