ICLR 2020 | 告别死记硬背，元学习才能学会学习

会员服务 ·

ICLR 2020 | 告别死记硬背，元学习才能学会学习

2020 年 4 月 16 日 AI科技评论

作者 | 殷明章

编辑 | 丛末

本文介绍的是 ICLR 2020 spotlight 论文《Meta-Learning without Memorization》(无记忆的元学习)，来自德克萨斯大学奥斯汀分校在读博士生殷明章。

论文: https://openreview.net/pdf?id=BklEFpEYwS

代码: https://github.com/google-research/google-research/tree/master/meta_learning_without_memorization

让我们回顾片刻在学校学习的经历。每一天我们去上课，回答老师的问题；回家后我们解答作业问题，对照答案检查正确与否。日积月累，我们不仅学到了知识，更学会了如何学习 (learning to learn)。当面对新任务时，我们可以利用之前解决问题的经验并加上少量的练习，迅速学会新的技能。这种 “快速适应 (fast adaptation)” 能力被认为是智能的重要体现。在人工智能领域，元学习 (meta-learning) 是一种使机器 “学会学习” 的有效手段。

在这篇论文里，我们发现一个表征能力强大的人工神经网络除了 “快速适应” 外，还可以通过 “记忆” 的方式来解决训练集里的多项任务。不幸的是，一个只会记忆的神经网络不具备解决新任务的能力。这篇论文旨在提出、定义、分析元学习中的记忆问题，并提出新的元正则化方法 (meta-regularization) 以避免记忆问题。

元学习的图模型

要训练一个元学习模型，首先需要从一个任务分布

中生成多个任务。每个任务都由一个带标注的任务内训练数据

和测试数据

组成。我们用

代表所有用于元训练（meta-training）的数据，

代表一个元测试阶段的新任务。

我们在

上训练模型, 目标是当面对新任务时，它能够在少量训练数据

上实现快速适应，从而准确预测新任务测试数据

的标签。这个过程可以表示为一个层次型的图模型：

记忆问题

回到开头的例子，假设在学校每天学习的内容是解决一种题型，这对应于元训练里的一个任务。经过一段时间后，假设每种题型都被重复学习了若干次。如果一个学生可以记住各个题型，那么她/他将不需要再去上课也可以解决作业里的问题。也就是说她/他可以解决已知题型里的新问题，但这样的纯粹记忆并不能解决新的题型。让我们再看一个例子，假设每一个元训练里的任务是拟合一些线性相关的数据。我们希望模型能够学会利用少量的数据去估计模型参数，如下图所示：

这种快速适应能力可以泛化到解决元测试中的未曾见过的新任务，如下图（左）。但我们发现，如果模型足够灵活，那么一个单一模型就可以解决元训练中的所有任务，并且忽略任何任务内训练数据，如下图(右)。这导致在元测试阶段，当面对一个新任务时，算法仍然会忽略任务内训练数据，但这样做将无法解决新任务

我们将这样的现象定义为元学习中的记忆问题 (memorization problem)，数学上表述为条件互信息为零：

也就是说预测值和任务内训练数据是条件独立的。

值得注意的是记忆问题是否会出现与任务分布

紧密相关。我们发现，如果各任务是互斥的（mutually exclusive），意即一个单一预测模型不可以解决所有的任务，那么记忆问题不会出现。例如小样本分类（few-shot classification）广泛地利用了这个特性。但在很大一类问题中，各任务不互斥，因此记忆问题广泛存在，并会影响多种元学习算法。

元正则化

基于以上分析和图表式，我们发现用于预测模型的信息来自元训练数据

, 任务内训练数据

和输入

。因此如果能够控制来自

和

的信息，同时要求实现精确预测，就可以鼓励模型利用

中的信息而不是忽略它。利用信息不等式和PAC-Bayes理论，我们得出一种方式是利用信息瓶颈（information bottleneck）约束：

另一种方式是约束

其中

对应编码器 (encoder):

的参数。将以上元正则项 (Meta Regularization)和Model Agnostic Meta-Learning (MAML)，Conditional Neural Process (CNP) 相结合，我们提出了新的 “MAML先生” (MR MAML) 和 “CNP先生” (MR CNP) 算法。在几个非互斥任务的数据集上，我们的算法实现了大幅度的性能提升。在一个3D物体方向预测数据集上我们进行了实验：