C. 人工智能 --- 迁移学习 - 元学习

C. 人工智能 --- 迁移学习 - 元学习 C. 人工智能 — 迁移学习 - 元学习 概述

• 概念
  • Learn to learn
  • 本质上，就是输入训练资料，生成一个 目标函数
  • 也可以说是Domain Adaptation
• 问题
  • Too many tasks to learn, to learn more efficiently
    • Faster learning methods
    • Better hyper-parameter/learning algorithms
    • Related to:
      • transfer learning
      • domain adaptation
      • multi-task learning
      • life-long learning
      • …
  • Too little data, to fit more accurately - few-slot learning
    • Traditional supervised may not work（容易过拟合）
• 步骤
  • 定义一组学习算法，学习不同的component，需要不同的方法
    • Net Architecture
    • Initial Prameters
    • Learning Rate
    • …
  • 定义loss函数
    • 数据
      • 需要的是一组的训练任务（任务里面包含训练数据和测试数据）
      • 训练任务和测试任务，需要有差别
    • 不同的任务的loss相加，作为最终的Loss
  • 寻找最优的函数
• 与机器学习对比
  • 相同点
    • 会有过拟合问题
    • 增加训练任务来提升效果
    • Task augmentation：扩充任务
    • 同样需要调参
    • Development task（验证任务？）
  • 不同点
    • 机器学习：within-task
    • 元学习：accross-task
• 与Pre-training相比
  • 相同点
    • 都是预先训练好之后，再调参
  • 不同点
    • 标注资料
      • MAML：用到了
      • Pre-training：没有用到
    • 将多个任务资料倒在一起训练找到一组好的初始化参数（multi-task learning），通常将预训练得到的模型准确率作为MAML的baseline。

分类

• Model Parameters（Few-slot framework）
  • Initializations
  • Embeddings/Representations/Metrics
  • Optimizers
  • Reinforcement learning（Policies/ other settings）
• Hyperparameters（e.g. AutoML）
  • Hyperparameters search
  • Network architectures -> Network architecture search(NAS)(related to: evolutional strategy, genetic algorithm…)
• Others
  • Algorithm itself（literally, not a network）

算法

• Black-box（（memory）Model）based
  • MANN
  • SNAIL
  • metaNet
• Optimization（gradient）based（Parametric）
  • learn to initialize
    • MAML
      • 目标
        • 针对神经网络的参数初始化。之前的参数初始化，都是随机的（或者通过特定的分布）
      • 评估
        • 评估的标准不是初始参数的好坏，而是通过初始参数训练之后的结果的好坏
        • 因为期间涉及到 local point、global point、鞍点 等
        • 评估的时候，拿的是一次迭代之后的结果评估
          • Train的时候，是一次迭代
            • 效率
            • 防止过拟合
          • Test的时候，可以多次迭代
      • 优化算法
        • meta-SGD
          • 优化learning rate
        • MAML++
        • AlphaMAML
        • DEML
        • CAVIA
        • ANIL
    • Reptile：源自MAML
      • 参数的梯度方向，跟MAML不一样
  • learn to Optimizer
    • 优化器中的参数也可以通过meta Learning学出来，比如学习率等。
    • 这里有一篇关于meta Learning根据训练任务自动学习Optimizer的文章，训练方式类似于训练一个LSTM。利用学习到的学习率比直接手调的效果要好一些。这篇文章最后还给出测试任务对应网络结构改变或者激活函数改变，会对最后结果产生不同程度的影响。
  • 网络结构优化（Network Architecture Search/NAS）
    • Reinforcement Learning
    • Evolution Algorithm
  • Data Augmentation
    • 数据处理的方式也是可以通过meta Learning学出来的。比如数据增强的过程，可以通过学习的方式学出来
  • Sample Reweighting
    • 另外还可以给不同的sample（样本）在训练时赋予不同的权重（weight）
  • 其他
    • meta-LSTM
    • different meta-parameters
      • iMAML
      • R2-D2/LR-D2
      • ALPaCA
      • metaOptNet
    • Bayesian meta-learning
      • 应用场景
        • Uncertainty problems
      • 算法
        • Black-box
          • VERSA
        • Optimization
          • PLATIPUS
          • Bayesian MAML（BMAML）
          • Probabilistic MAML（PMAML）
• Non-parametric（Metric based）Learn to compare
  • 上面的方法都是基于Gradient Descent（梯度下降），有没有一种可能，给训练资料，然后直接输出网络参数，目前也有人在做相关的研究
  • 我们所有模型建立的过程都是，先利用Learning Algorithm学出一个模型，然后用训练得到的模型经过测试集得到分类结果。有没有一种可能，就是直接将训练资料和验证资料都扔给一个Function，就可以直接根据验证资料输出对应的结果。这种方法叫做Learning to compare（Metric-based Approach）
    • Face Verification（脸部验证）（二分类？）
      • Siamese Network
        • 训练任务
          • 输入 训练图片 和 测试图片，输出是不是同一个人
        • 测试任务
          • 需要跟 训练任务 不一样（图片在训练中不一样）
        • 处理
          • 通过CNN，计算每张图片的 embedding，看两个 embeddings 的相似度
          • 跟 AutoEncoder的不一样
            • 相同的人，分数尽可能的相近，不相同的人，分数尽可能远
    • 5-ways 1-shot
      • Prototypical Network
        • 训练任务
          • N分类问题
        • 处理
          • 通过CNN，计算每张图片的 embedding，看两个 embeddings 的相似度
          • 计算 testing data 和 训练数据的每个类的 embeddings的相似度
          • 通过softmax分类
      • Matching Network
        • 训练任务
          • N分类问题
        • 处理
          • 通过Bidirectional LSTM，计算每张图片的 embedding，看两个 embeddings 的相似度
          • 计算 testing data 和 训练数据的每个类的 embeddings的相似度
          • 通过softmax分类
      • Relation Network
        • 训练任务
          • N分类问题
        • 处理
          • 计算每张图片的 embedding，看两个 embeddings 的相似度
          • 把测试图片的embedding 接到 训练图片的 embedding 后面
          • 在通过另外一个 神经网络 学习
    • General neural network
      • 输入
        • 图片
        • 图片对应的类别
      • 处理
        • 图片通过CNN生成 embedding
        • 类别用one-hot编码
        • embedding和类别编码 拼接成一个向量
        • 通过 LSTM 训练预测分类
          • 直接使用LSTM没有效果，通过 MANN（Neural Turing Machine）、SNAIL（Using Attention） 可以
  • 其他
    • IMP
• Hybrid

跟机器学习相关的技术

• Reinforcement learning
  • meta-RL is a massive active research area
• GNN & Adversarial attack
  • Metric-based, feature extraction
  • Attack on GNN by meta learning
• GAN：metaGAN
• Transfer learning：meta-transfer Learning(MTL)

应用场景

• Few-shot Image
  • 难点
    • Each class only has a few images
  • 思路
    • N-ways K-shot classification
    • 通过 Generator 生成新的图片
• meta Learning还可以应用于其他任务中，比如语音辨识、文本分类等等