【ICML2019 Tutorials】元学习：从小样本学习到快速强化学习(Meta-Learning: from Few-Shot Learning to Rapid Reinforcement Learning)，Google Brain的研究科学家| Chelsea Finn，加州大学伯克利分校| Sergey Levine

主题： Meta-Learning: from Few-Shot Learning to Rapid Reinforcement Learning

摘要： 近年来，在数据丰富的领域，诸如深度神经网络等高容量模型已经使机器学习技术变得非常强大。然而，数据稀缺的领域已被证明具有挑战性的这种方法，因为高容量函数逼近严重依赖于大数据集的泛化。这可能对从有监督的医学图像处理到强化学习等领域构成重大挑战，在这些领域，真实世界的数据收集（如机器人）构成重大的后勤挑战。元学习或少镜头学习为这个问题提供了一个潜在的解决方案：通过学习从许多以前的任务中跨数据学习，很少镜头元学习算法能够发现任务之间的结构，从而实现新任务的快速学习。本教程的目的是为元学习提供一个统一的视角：向观众讲授现代方法，描述围绕这些技术的概念和理论原则，介绍这些方法以前的应用领域，并讨论了该地区存在的基本问题和挑战。我们希望本教程对那些在其他领域有专长的机器学习研究人员都有用，同时也为元学习研究人员提供了一个新的视角。总而言之，我们的目标是为受众成员提供将元学习应用到他们自己的应用中的能力，并开发新的元学习算法和理论分析，这些驱动是由现有工作的挑战和局限所驱动的。我们将提供一个统一的视角，说明各种元学习算法如何能够从小数据集中学习，概述元学习能够而且不容易应用的应用，并讨论这一子领域的突出挑战和前沿。

邀请嘉宾： Chelsea Finn是Google Brain的研究科学家，也是加州大学伯克利分校的博士后学者。2019年9月，她将以助理教授的身份加入斯坦福大学计算机科学系。芬恩的研究兴趣在于通过学习和互动，使机器人和其他智能体发展出广泛的智能行为。为此，芬恩开发了深度学习算法，用于同时学习机器人操作技能中的视觉感知和控制，用于可伸缩获取非线性回报函数的逆强化方法，以及能够快速实现的元学习算法，在视觉感知和深度强化学习中，很少有镜头适应。芬恩在麻省理工学院获得了EECS学士学位，在加州大学伯克利分校获得了CS博士学位。她的研究成果已通过NSF研究生奖学金、Facebook奖学金、C.V.Ramamoorthy杰出研究奖和麻省理工35岁以下技术评论奖获得认可，她的研究成果已被包括《纽约时报》、《连线》和彭博社在内的多家媒体报道。

Sergey Levine 2009年获得斯坦福大学计算机科学学士和硕士学位，2014年获得斯坦福大学计算机科学博士学位。他于2016年秋季加入加州大学伯克利分校电气工程与计算机科学系。他的工作重点是决策和控制的机器学习，重点是深度学习和强化学习算法。他的工作包括自主机器人和车辆，以及计算机视觉和图形。他的研究工作包括开发将感知和控制相结合的深度神经网络策略的端到端训练算法、反向强化学习的可扩展算法、深度强化学习算法等。