简介： 强大的机器学习技术在数据丰富的领域成为可能。然而，数据稀缺的领域对这类方法具有挑战性，因为高容量函数逼近器非常依赖大型数据集进行泛化。这可能对从监督医学图像处理到增强学习等领域构成重大挑战，在这些领域中，真实世界的数据收集(例如机器人)构成了重大的后勤挑战。元学习或小样本学习为这一问题提供了一个潜在的解决方案:通过学习跨许多以前任务的数据学习，小样本元学习算法可以发现任务之间的结构，从而使新任务的快速学习成为可能。
本教程的目的是提供一个统一的元学习视角:向读者讲授现代方法，描述围绕这些技术的概念和理论原则，介绍这些方法以前在哪里被应用，并讨论该领域内的基本开放问题和挑战。我们希望本教程对其他领域的机器学习研究人员有用，同时也为元学习研究人员提供了一个新的视角。总而言之，我们的目标是让观众能够将元学习应用到他们自己的应用中，并开发新的元学习算法和理论分析，以应对当前的挑战和现有工作的局限性。
视频地址：
Part1 https://www.facebook.com/icml.imls/videos/400619163874853/
Part2 https://www.facebook.com/icml.imls/videos/2970931166257998/
主讲人介绍：
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。在2019年9月，她将加入斯坦福大学的计算机科学系担任助理教授。 Finn的研究兴趣在于使机器人和其他代理能够通过学习和交互来发展广泛的智能行为的能力。为此，芬恩开发了深度学习算法，用于同时学习机器人操纵技能中的视觉感知和控制，用于非线性奖励函数的可伸缩获取的逆强化方法以及可以在两个视觉系统中实现快速，少拍适应的元学习算法感知和深度强化学习。 Finn在麻省理工学院获得EECS的学士学位，并在加州大学伯克利分校获得CS的博士学位。她的研究得到了NSF研究生奖学金，Facebook奖学金C.V.的认可。她获得了Ramamoorthy杰出研究奖和《麻省理工学院技术评论35分35奖》，她的工作已被《纽约时报》，《连线》和彭博社等多家媒体报道。
Sergey Levine于2009年获得斯坦福大学计算机科学学士学位和硕士学位，并获得博士学位。 2014年获得斯坦福大学计算机科学博士学位。他于2016年秋天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。他的工作应用包括自动驾驶机器人和车辆，以及计算机视觉和图形。 他的研究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，用于逆向强化学习的可扩展算法，深度强化学习算法等。 在许多受欢迎的媒体中，包括纽约时报，BBC，麻省理工学院技术评论和彭博社，他的作品都得到了报道。
相关内容
微信扫码咨询专知VIP会员