李宏毅——元学习meta learning1

导语

什么是meta learning：学习如何去学习
例子：
机器学习了一堆任务后，再过去经验上，成为一个更好的学习者
比如做语音辨识，图像辨识后，学习文字分类更快

life-long和meta-learning的区别：
life-long是一个模型一直学习
meta不是一个模型，而是学会更好的学习

meta-learning

在meta-learning中，把学习算法也当作一个函数F，吃进去的是训练资料，吐出来另外一个function
可以视为

区分machine learning和meta learning
meta是要找一个大写的F，输入是训练资料，输出是模型

机器学习的三个步骤：
定义一个function set，定义loss，然后找到最好的function。
meta的话，只是把f改成F，learning algorithm F。

meta-learning的步骤

什么叫一组learning algorithm

在gradient descent中，算法如下图

整个圈起来的过程，就可以看作是一个Learning Algorithm
。红色的方块选择不同设计的时候，就等于选择了不同的算法。
现在都是人为决定这些红色部分，让机器自己去学习如何决定红色部分，就是达成了meta learning的一部分。

如何评价一个F的好坏

训练一个猫狗分类任务，用测试数据测试任务表现怎么样，在机器学习中，要用一组数据来考量好坏，meta-learning中，要用一组任务来考量好坏。

右上角的L即为loss。

meta learning vs machine learning

在machine learning中，准备训练资料和测试资料
在meta learning中，准备训练任务及其对应的资料
其中也有可能需要validation task。
meta-learning在few-shot中可能使用，因为训练资料少，跑的比较快，可以比较好评估。
在few-shot中，通常把train和test称为support set和query set。

怎么找最好的learning algorithm

首先根据loss找到最好的F，然后对新任务进行训练，在用测试数据进行测试，来评估表现。

benchmark

omniglot

如何使用

在few-shot classification中
决定多少Way，多少个shot。way表示多少个类别，shot表示多少个example。
在实际训练中，要将符号分为训练组和测试组。
训练时从训练组中找N个character，然后找到K个example。测试时方法一样，但是从测试组中选。

当前的方法

MAML

算法

学习红框部分的初始化参数。训练网络，得到最好的theta，而这个theta是取决于如何初始化的，即可用Loss函数评估网络的好坏

如何最小化loss呢
可以利用gradient descent。
区分MAML与model pre-training
在model pre-training中，用正在训练的模型来计算loss，而maml中使用训练好的模型

下图中横轴是model parameter，如果是maml中，我们不在意现在的表现，比如图中的phi做初始的参数，将顺着gradient的方向，在两个任务上都走的很好

在model pre-training中，在意现在的表现，但不保证训练后会好。

所以两者的区别在于黄框中的字。MAML在乎潜力，model pre-training中在乎当前表现。

MAML在实战时，假设参数只更新一次，模型就是下图。
theta和phi的关系就是右下角的式子。
只更新一次的理由：快，phi棒到只更新一次就很好，在测试实战时可以更新多次，few-shot中数据有限

例子

toy examle

每个任务的做法都是估计function，可以多选ab，构造多个task

使用model pre-training，获得的是水平线
做MAML，获得的是下面的线。

omniglot& mini-imageNet

其中first order approx是一种变形：


在论文中，为了简便

实际实现

首先用一个taskm，获得thetam，然后用thetam来更新phi，如此下去。
跟model pre-training相比，maml要更新两次

在翻译上的应用

横轴代表每一个任务上用的训练资料，metaNMT表示MAML，multiNMT表示pre-training，通常meta比较好。

Reptile

想法

可以update很多次，然后根据二者之间的差，让phi走过去

做的和model pre-training很相似。
他们之间的区别如下：
pre-train走的方向是g1，MAML是g2，reptile是g1+g2

其他算法

除了找初始参数，还能找网络架构、activation等，或者如何更新

思考