【斯坦福Chelsea Finn】元学习:从少样本自适应到发现对称性

机器学习系统通常是在这样的假设下设计的，即它们将作为一个静态模型部署在世界上一个单一的静态区域。然而，世界是不断变化的，因此未来看起来不再完全像过去，甚至在相对静态的环境中，系统可能部署在其世界的新的、看不见的部分。尽管数据分布的这种连续变化会给机器学习中获得的模型带来重大挑战，但模型也不必是静态的:它可以而且应该自适应。在这次演讲中，我将讨论我们如何允许深度网络通过适应来鲁棒地应对这种分布转移。首先介绍元学习的概念，然后简要概述从机器人到药物设计的几个成功的元学习应用，最后讨论元学习研究前沿的几项最新工作。

视频：

https://www.youtube.com/watch?v=7qOOmtXHilY&feature=youtu.be

专知便捷查看

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“MLFSA” 就可以获取《【斯坦福Chelsea Finn】元学习:从少样本自适应到发现对称性》专知下载链接

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专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源