Meta Learning 简述

2021-05-29 本文已影响0人 Mezereon

Meta Learning 简述

先来回顾一下，传统的机器学习或者说深度学习的流程：

确定训练和测试数据集
确定模型结构
初始化模型参数（通常是一些惯用的随机分布）
初始化优化器类型和参数
进行训练，直到收敛

Meta Learning的目的是去学习一些在步骤2，3，4的参数，我们称之为元知识(meta- knowledge)

不妨对其进行形式化

假设数据集为 $D = \{(x_1,y_1),...,(x_N,y_N)\}$ 其中 $x_i$ 是输入， $y_i$ 是输出标签

我们的目的是得到一个预测模型 $\hat{y} = f(x;\theta)$ , 其中 $\theta$ 表示模型的参数， $x$ 为输入同时 $\hat{y}$ 是预测的输出

优化的形式为：
$\theta^* = \arg \min_{\theta} \mathcal {L} ( D ; \theta, \omega )$
其中的 $\omega$ 就是元知识，包括：

优化器类型
模型结构
模型参数的初始分布
...

我们会对已有的数据集 $D$ 进行任务划分，切分成多个任务集合，每一个任务集合包括一个训练集合以及一个测试集合，其形式为：
$D_{source} = \{ (D^{train}_{source},D^{val}_{source})^{(i)}\ \} _{i=1}^{M}$
优化目标为:
$\omega^* = \arg \max_{\omega} \log p(\omega | D_{source} )$
也就是在我们切分的多个任务集合中，找到一组配置（也就是元知识），使其对于这些任务来说最优。

一般称这个步骤为元训练(meta-training)

找到 $\omega^*$ 之后，便可以应用到一个目标任务数据集 $D_{target} = \{(D_{target}^{train}, D_{target}^{val})\}$

在这上面进行传统的训练，也就是找到一个最优的模型参数 $\theta^*$
$\theta^* = \arg\max_{\theta}\log p(\theta|\omega^*, D_{target}^{train})$
这个步骤称之为元测试(meta-testing)

Meta Learning 简述

Meta Learning 简述

猜你喜欢

热点阅读