【斯坦福大学ICLR2020】无任务的持续元学习，Continue Meta-learning without tasks

题目： Continue Meta-learning without tasks

简介： 元学习可以利用从任务分配中收集的数据来有效地学习新任务。然而，迄今为止，元学习文献集中于任务分段设置，即在训练时，根据其基础任务和测试时间将“数据”汇总为多个，对算法进行了优化以在单个任务中学习。在这项工作中，我们可以将通用元学习算法应用于无法进行此任务细分的设置，例如使用时变任务进行连续在线学习。我们介绍了通过在线变更点分析（MOCA）进行的元学习，该方法利用可区分的贝叶斯变更点检测方案增强了元学习算法。该框架允许直接对时间序列数据进行培训和测试，而无需将其细分为离散任务。我们在非线性元回归基准以及两个元图像分类基准上证明了该方法的实用性。