【NeurIPS2019论文PPT】多模态模型无关的元学习 MMAML

导读

密歇根大学和南加州大学学者提出了一个多模态模型无关的元学习框架（Multimodal Model-Agnostic Meta-Learning，MMAML），该框架同时利用基于模型的元学习方法和模型无关的元学习方法，能够根据识别的模式调整其元学习先验参数，从而实现更高效的快速自适应。

作者 | Risto Vuoria et al.

编译 | Xiaowen

https://papers.nips.cc/paper/8296-multimodal-model-agnostic-meta-learning-via-task-aware-modulation.pdf

【论文回顾】

模型无关的元学习者的目标是从相似的任务中获取元学习的参数，在很少的梯度更新后适应相同分布的新任务。由于模型选择的灵活性，这些框架在各种领域（如少样本图像分类和强化学习）显示了诱人的性能。然而，这些框架的一个重要限制是，它们寻求在整个任务分布中共享一个通用的初始化，从而大大限制了它们能够学习的任务分布的多样性。在本文中，我们增强了MAML[1]的能力，以识别从多模态任务分布中采样的任务模式，并通过梯度更新快速适应。具体来说，我们提出了一个多模态MAML（MMAML）框架，它能够根据识别的模式来调整其元学习先验参数，从而允许更有效的快速适应。我们在一系列不同的少样本学习任务中评估了我们提出的模型，包括回归，图像分类和强化学习。结果不仅证明了我们的模型在调整元学习之前响应任务的特性的有效性， 而且表明了多模态分布的训练比单模态训练有更好的效果。

论文下载：

https://www.zhuanzhi.ai/paper/b313367453f43f42d588572caaa4d362

代码：https://vuoristo.github.io/MMAML

PPT下载

便捷下载：请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“MMAMLPPT” 咨询获取Multimodal Model Agnostic Meta-Learning PPT下载链接

参考文献

[1] Finn C, Abbeel P, Levine S. Model-agnostic meta-learning for fast adaptation of deep networks[C]//Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017: 1126-1135.

更多关于“元学习”的知识资料，请登录专知网站www.zhuanzhi.ai，搜索“元学习”查看； 或点击“ 阅读原文”：

https://www.zhuanzhi.ai/topic/2001324265251387

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），获取专知VIP会员码，加入专知人工智能主题群，咨询技术商务合作~

点击“阅读原文”，了解成为专知会员，查看5000+AI主题知识资料