目录

Meta Learning – MAML

MAML

Reptile

Meta Learning – Gradient Descent as LSTM

Meta Learning – Metric-based

Meta Learning - Train+Test as RNN

---

Meta Learning – MAML

Meta Learning：让机器自动找出learning algorithm

Meta Learning的三个步骤（前面笔记有写，这里简单复习一下）：

step 1: Define a set of learning algorithm

step 2: Defining the goodness of a function F

Meta Learning常常跟few-shot learning一起使用

step 3: Find the best function F*

下面介绍Meta Learning的两个technique：MAML、Reptile

MAML

评价Φ的好坏：如下图，Φ本身拿去做task1和task2没有很强，但是Φ拿去做训练以后（用task1和task2的data做训练后）变得很强，那它就是一个好的Φ

MAML v.s. Model Pre-training

MAML在实作的时候，training algorithm通常只做一次update，理由如下：

• Fast ... Fast ... Fast ...
• Good to truly train a model with one step.
• When using the algorithm, still update many times.
• Few-shot learning has limited data.

MAML - Real lmplementation: MAML走两步gradient，用第二步gradient去update参数Φ

对比下pre-training：往当前Φ在training task上算出来的gradient方向移动

把MAML实作在translation的任务上，结果如下图。MAML比pre-training效果好，尤其是在训练资料量少的时候。

Reptile

Reptile和MAML、pre-train的不同：

下图是Reptile、MAML、pre-train实作在Omniglot上的结果，可以看到meta learning的方法效果明显好于pre-train的方法：

Meta Learning – Gradient Descent as LSTM

Review Recurrent Neural Network:

Review LSTM:

LSTM和gradient descent的式子有相似之处：

LSTM for Gradient Descent:

LSTM memory cell中的值，就是network的参数

LSTM for Gradient Descent在实作上，因为LSTM的memory cell不可能开的太大（1024个memory cell就算比较多的了），而network的参数通常有几万到几十万个，所以在实作上LSTM只开一个cell，所有的network参数都通过相同的LSTM训练出来：

Meta Learning – Metric-based

Metric-based是一个比较crazy的idea，它希望输入training data和testing data，能够直接输出predicted label of testing data：

后面都以Face Verification这个task为例，它是一个few-shot learning的task：

Face Verification可以当做一个meta learning的任务做：

对于上面图片中的network，我们要训练这个network能够同时做训练和测试。实际上这个network的架构最常见的设计叫做Siamese Network（可以理解为孪生网络）：

Siamese Network - Intuitive Explanation（当做一个binary classification的problem去理解）

上面都是做的Verification的任务，即可以当成binary classification的任务，下面介绍如何做identification的任务，即N-way Few/One-shot Learning的任务。

N-way Few/One-shot Learning任务举例：

这种任务的network架构如何设计？下面给出三个文献上的做法：

① Prototypical Network

② Matching Network

这个network和Prototypical Network很类似，它们最大的区别在于Prototypical Network把training data的每一张图片都分开处理，Matching Network用一个bidirectional LSTM接收所有的training data。

③ Relation Network

在few-shot learning中常常遇到的问题是训练资料很少，所以我们可以让机器去generate训练资料。generator是和network一起被learn出来的。

Meta Learning - Train+Test as RNN

在上面使用过的Metric-based approach的方法，使用的是专门设计过的network architecture。Can we use general network architecture？

用一般的LSTM train不起来，修改LSTM架构（比较知名的有MANN、SNAIL）后可以train起来：

文献上结果表明SNAIL效果比较好：