面向条件元学习的结构化预测
机器学习
2020-10-20 v2 机器学习
摘要
基于优化的元学习目标是找到跨任务分布共享的单一初始化，以加速学习新任务的过程。条件元学习寻求任务特定的初始化，以更好地捕捉复杂任务分布并提升性能。然而，许多现有条件方法难以泛化且缺乏理论保证。本文中，我们通过结构化预测为条件元学习提出新视角。我们推导出任务自适应结构化元学习（TASML），这是一个有原则的框架，通过对元训练数据在目标任务上加权来产生任务特定的目标函数。我们的非参数方法与模型无关，并可与现有元学习方法结合以实现条件化。在实验上，我们表明TASML提升了现有元学习模型的性能，并在基准数据集上优于最先进水平。
引用
@article{arxiv.2002.08799,
title = {Structured Prediction for Conditional Meta-Learning},
author = {Ruohan Wang and Yiannis Demiris and Carlo Ciliberto},
journal= {arXiv preprint arXiv:2002.08799},
year = {2020}
}
备注
25 pages, 4 figures, 7 tables