【UAI2019】元学习与强化学习的概率视角，47页ppt，DeepMind牛津Yee Whye Teh

【导读】元学习和强化学习是当下机器学习研究的热点。DeepMind与牛津大学教授Yee Whye Teh在人工智能顶会UAI2019给了关于《元学习与强化学习的概率视角》的报告，讲述概率建模工具在元学习与强化学习方面解决数据效率的作用，是了解最新元学习与强化学习很好资料。

摘要

概率建模提供了一种丰富的语言来表达学习和推理中的许多重要概念，包括先验知识、结构、层次结构和不确定性。在这次报告中，我将描述概率建模所提供的视角，以及社区多年来开发的工具，如何在处理元学习和强化学习方面的关于数据效率有趣挑战方面的应用。我将用我最近研究的例子来说明这些，包括元学习作为概率推理的思想，序列决策中的数据驱动代理模型，以及在多任务强化学习中使用分层贝叶斯进行转移。

这是与Deepmind的其他研究人员，包括Ali Eslami、Alex Galashov、Marta Garnelo、Leonard Hasenclever、Jan Humplik、Hyunjik Kim、Hyeonwoo Noh、Pedro Ortega、Razvan Pascanu、Danilo Rezende、Jonathan Schwarz、Dhruva Tirumala和Jane Wang，特别是与Nicolas Heess的合作。

作者介绍

Yee Whye Teh是牛津大学统计学系的统计机器学习教授，也是DeepMind研究人工智能的科学家。他在多伦多大学(Geoffrey E. Hinton教授)获得博士学位，并在加州大学伯克利分校(Michael I. Jordan教授)和新加坡国立大学(Lee Kuan Yew博士后研究员)从事博士后工作。在进入牛津大学和DeepMind之前，他是一名讲师，后来在伦敦大学学院(UCL)盖茨比计算神经科学单元(Gatsby computing Neuroscience Unit)担任读者。他计划联合主席(Michael Titterington教授)人工智能国际会议和统计(AISTATS) 2010年,项目主持国际会议(Precup试图教授)在2017年机器学习(ICML),和am /贝叶斯分析的副主编,IEEE模式分析与机器智能,机器学习日报,统计科学,英国皇家统计学会期刊B辑和机器学习研究期刊。他曾多次担任NIPS、ICML和AISTATS的区域主席。他的研究兴趣横跨机器学习和计算统计学，包括概率方法、贝叶斯非参数学和深度学习。他开发了新颖的模型以及高效的推理和学习算法。

http://csml.stats.ox.ac.uk/people/teh/

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“MRL” 就可以获取《元学习与强化学习的概率视角》完整版PPT下载链接~

强化学习框架，从多种任务高效学习。

可迁移结构

-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！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI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），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！560+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程