「乾貨」谷歌大腦：元學習最新進展與挑戰（40 PPT下載）

【新智元導讀】Hugo Larochelle是谷歌大腦的研究員、深度學習領域的專家。他在最近的演講中討論了小樣本學習這個主題，概述了這個領域的一些最新進展，存在的挑戰以及研究機會。

深度學習的成功部分是由於大量有標記數據的可用性。然而，即使在大數據背景下的今天，想獲取具有大量優質的、標籤正確的數據的數據集，仍是一個難題。

近年小樣本學習(Few-shot Learning)的發展，旨在解決這個問題。小樣本學習屬於遷移學習的一種。顧名思義，小樣本學習是一種能夠讓深度學習（或者任何機器學習演算法）通過更少的樣本學習，而不像傳統的那樣使用大量樣本的技術。

Hugo Larochelle是谷歌大腦的研究員，深度學習領域的專家。他在最近的一個workshop中，討論了元學習(Meta-learning)這個主題。元學習是一個非常有前途的框架，用於解決從少量數據進行泛化的問題，即所謂的小樣本學習。

在元學習中，我們的模型本身就是一種學習演算法：它將輸入作為訓練集，並輸出一個分類器。對於 few-shot learning，直接訓練產生的分類器具有良好的泛化性能，適用於只有非常少的標記數據的問題。

在這個workshop中，Hugo Larochelle概述了最近這個主題上取得的一些最新進展，並討論了仍然存在的挑戰和研究機會。

以下是Hugo Larochelle講座的PPT，文末附下載鏈接。

內容概要

元學習(Meta-learning)

選擇一種Meta-learning

定義meta-learner的兩種方法：

從已知的學習演算法得到啟發

• kNN/kernel machine: Matching networks (Vinyals et al. 2016)
• 高斯分類器：Prototypical Networks (Snell et al. 2017)
• 梯度下降法：(Ravi & Larochelle, 2017) , MAML (Finn et al. 2017)

從黑盒神經網路推導

• SNAIL (Mishra et al. 2018)

存在的挑戰：

超越有監督分類

• 無監督學習、結構化輸出、互動學習

超越Mini-ImageNet

• 對問題/數據集的分布給出一個現實的定義

Meta-Dataset

小結：

• Meta-training 的分布可以產生很大的不同(至少對於目前的方法而言)
• 使用「常規訓練」作為初始化會產生很大的不同
• 需要調整MAML以使其更具魯棒

PPT下載：

http://metalearning.ml/2018/slides/meta_learning_2018_Larochelle.pdf

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！