【元学习metalearning】通俗易懂讲解元学习以及与监督学习的区别

人工智能技术有机器学习、深度学习、强化学习、元学习。元学习是其实是深度学习上的一个发展&＃xff0c;为了解决小样本问题的&＃xff0c;注意这是有区别机器学习和深度学习中的有监督学习的。
接下来举例来讲解Meta-learning是什么&＃xff1f;怎么做&＃xff1f;以及和机器学习或深度学习中的监督学习的区别

请问&＃xff1a;假设你有见过右边图片的动物是什么&＃xff0c;现在给出左边四张图片&＃xff0c;你能右边图片是什么动物吗&＃xff1f;

毫无疑问&＃xff0c;答案是穿山甲。因为我们都知道左边图片给出了穿山甲的图片以及名字。这就一个小样本学习的例子。仔细思考在这个过程中&＃xff0c;我们自己的大脑做的工作是对比图片&＃xff0c;找出最类似的图片&＃xff0c;就是哪种动物。那如果用计算机去做这件事&＃xff0c;就叫meta-learning。但是如果用机器学习的有监督学习的神经网络去做&＃xff0c;那就需要大量的图片去训练&＃xff0c;模型才能识别出图片中动物是什么。但这只有四张图片&＃xff0c;是不可能训练处一个神经网络的。这就是与监督学习的一个最大的区别。

在介绍Meta-learning之前&＃xff0c;从简单例子入手。Few-shot learning意思是小样本学习&＃xff0c;是Meta-learning中的一种。其中提供参考的图片集合叫Support Set。是在做预测的时候提供的额外信息。
小样本学习的目标不是让机器学习去识别数据集里的图片&＃xff0c;而是让机器学习去学会区分事物之间的异同。简单来说&＃xff0c;就是让机器学习出来的模型判断两张图片是不是同一种东西。

Meta-learning元学习(learn to learn)&＃xff0c;是指通过训练集去训练出一个有学习能力的函数或模型。举个例子&＃xff0c;比如下朋友从来没有见过这种动物&＃xff0c;但是他是有学习能力的&＃xff0c;是有区分动物的能力&＃xff0c;能够判断不同事物之间的异同。当给他一堆卡片&＃xff0c;他就能识别出&＃xff0c;当前的动物是对应图片里的哪种动物。

其中这一堆卡片就是Support set&＃xff0c;教小朋友区分不同的动物&＃xff0c;就是learn to learn,即Meta-learning。教小朋友学习的过程就是模型训练的过程。

就是如何教小男孩去学会去区分不同的动物&＃xff1f;答&＃xff1a;让机器学习学习出一个相似度函数。
如果给出以下三张图片作为数据集&＃xff0c;那机器学习去做的事情就是去学习出一个相似度函数Sim,在以下图片中表示Sim(x1,X2)&＃61;1,Sim(x1,X3)&＃61;0,Sim(x2,X3)&＃61;0.那训练集就是{(Sim(x1,X2),1),(Sim(x1,X3),0),(SIm(X2,X3),0)}

在测试的时候&＃xff0c;提供一个support set ,用上面机器学习学习到的相似度函数&＃xff0c;分别计算图片与Support Set中每一张图片的相似度&＃xff0c;以相似度最高的做出类别的输出。这就是整个Meta-learning的过程。

&＃xff08;1&＃xff09;在传统的监督学习中
为了识别右边的图片是什么&＃xff0c;训练集中必须要有同类别成百上千张的图片数据。才能准确识别。

&＃xff08;2&＃xff09;在小样本学习中
如下所示&＃xff0c;在训练集中是没有兔子类别的。这个数据集只是用来学习区分辨别能力的。

然后在预测的时候&＃xff0c;用这个能力去Support set中去找出类似的图片&＃xff0c;作为分类的结果

&＃xff08;1&＃xff09;在Support set中有两个变量
• k:k表示Support Set的总共类别
• n&＃xff1a;表示每个类别的样本数
比如以下是有4个类别&＃xff0c;每个类别有两个样本&＃xff0c;称为4-way,2-shot

在分类任务中&＃xff0c;准确率会受k,n两个变量影响&＃xff0c;随着K的增大&＃xff0c;准确率下降&＃xff0c;因为&＃xff0c;区分难度变大了。类似于给小男孩100张卡片&＃xff0c;让他找出动物园看的某个动物&＃xff0c;宝宝就不会做了或者出错概率大了。
随着n的增大&＃xff0c;准确率上升&＃xff0c;因为参考的资料更过了。

参考资料
• Meta Learning&＃xff08;元学习&＃xff09;-Bilibili