【资源下载】 UC 伯克利 Chelsea Finn 博士论文（新起之秀——MAML）《Learning to Learn with Gradients》下载--2018ACM最佳博士论文下载

欢迎关注微信公众号【计算机视觉联盟】 获取更多前沿AI、CV资讯

---

UC 伯克利 Chelsea Finn 博士论文《Learning to Learn with Gradients》下载--2018ACM最佳博士论文下载

论文封面

论文目录

 论文下载方式：

关注公众号【计算机视觉联盟】回复关键词【LLG】获取全文！

Chelsea Finn 其人

Chelsea Finn 年纪轻轻就已成为机器人学习领域最知名的专家之一。她开发了很多教机器人控制和操纵物体的高效方法。例如，她在这篇获奖论文中使用 MAML 方法教机器人抓取和放置物体技能，该过程中仅仅用了一个人类演示视频中的原始像素。

Finn 现任谷歌大脑研究科学家，并在 BAIR 实验室进行博士后研究。2019 年秋，她将成为斯坦福大学全职助理教授。Finn 在加州大学伯克利分校获得电气工程与计算机科学博士学位，在 MIT 取得电气工程与计算机科学学士学位。

Chelsea Finn 有多篇论文发表在 ICML、ICLR、NeurIPS、ICRA、RSS、CoRL 等多个学术会议上，并在多个学术会议及 workshop 上进行受邀演讲。

Chelsea Finn 个人主页：https://people.eecs.berkeley.edu/~cbfinn/

 

深度学习改变了人工智能领域，给语音识别、计算机视觉和机器人学带来了显著进步。但是，深度学习方法需要大量数据，而这在医疗成像、机器人学等领域中并不容易获取。

元学习是目前机器学习领域一个令人振奋的研究趋势，它解决的是学习如何学习的问题，允许机器基于少量数据学习。元学习算法使用之前的数据学习如何快速适应新任务，从而「学习如何学习」。

但是，元学习方面最初的一些研究聚焦于设计复杂的神经网络架构。Chelsea Finn 在这篇博士论文中，介绍了一类新方法 —— 与模型无关的元学习（model-agnostic meta-learning，MAML），该方法使计算机科学家免除了手动设计复杂架构的工作。

ACM 在获奖通知中表示：「MAML 方法在该领域产生了巨大影响，并在强化学习、计算机视觉以及机器学习的其他领域中得到了广泛应用。」

为了研究「学习如何学习」这个问题，这篇论文首先对元学习问题及其术语、元学习算法的特性给出了清晰正式的定义。然后基于这些基础定义，展示了一种新方法 —— 与模型无关的元学习（MAML），该方法能够将基于梯度的优化潜入到学习器中。

与之前的元学习方法不同，该方法聚焦于获取可迁移表征，而不是好的学习规则。由于 MAML 方法学得的表征能够控制更新规则，因此该方法既继承了使用固定优化作为学习规则的优秀特性，同时还保留了完整的表达性（full expressivity）。

像其他元学习方法一样，MAML 需要在各种任务上进行训练。该方法需要学习训练一种可以很快适应新任务的方法，并且适应过程还只需要少量的梯度迭代步。元学习器希望寻求一个初始化，它不仅能适应多个问题，同时适应的过程还能做到快速（少量梯度迭代步）和高效（少量样本）。

这种方法十分简单，并且有很多优点。MAML 方法并不会对模型的形式作出任何假设。它十分高效，因为其没有为元学习引入其他参数，并且学习器的策略使用的是已知的优化过程（如梯度下降等）而不是从头开始构建一个。所以，该方法可以应用于许多领域，包括分类、回归和强化学习等。