论文笔记—Probabilistic Model Agnostic Meta Learning.pdf

论文摘要:元学习仅需少量学习就可以获取先前的先前任务和经验,从而可以从少量数据中学习新任务。但是,短镜头学习中的一个关键挑战是任务模糊性:即使可以从大量先前任务中元学习强大的先验知识,但用于新任务的小数据集也可能太含糊而无法获取单个模型(例如,针对该任务的分类器)。在本文中,我们提出了一种概率元学习算法,该算法可以从模型分布中为新任务采样模型。我们的方法扩展了模型不可知的元学习,它通过梯度下降适应新任务,并结合了通过变分下界训练的参数分布。在元测试时,我们的算法通过将噪声注入梯度下降的简单过程进行自适应,在元训练时,对模型进行训练,以使这种随机自适应过程从近似模型后验中生成样本。我们的实验结果