Meta Learning 简述

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：

1. 确定训练和测试数据集
2. 确定模型结构
3. 初始化模型参数（通常是一些惯用的随机分布）
4. 初始化优化器类型和参数
5. 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)