元学习总结

前言

人工智能发展路线：

Artificial Intelligence --> Machine Learning --> Deep Learning -->Deep Reinforcement Learning --> Deep Meta Learning

在Machine Learning时代，复杂一点的分类问题效果就不好了，Deep Learning深度学习的出现基本上解决了一对一映射的问题，比如说图像分类，一个输入对一个输出，因此出现了AlexNet这样的里程碑式的成果。但如果输出对下一个输入还有影响呢？也就是sequential decision making的问题，单一的深度学习就解决不了了，这个时候Reinforcement Learning增强学习就出来了，Deep Learning + Reinforcement Learning = Deep Reinforcement Learning深度增强学习。有了深度增强学习，序列决策初步取得成效，因此，出现了AlphaGo这样的里程碑式的成果。但是，新的问题又出来了，深度增强学习太依赖于巨量的训练，并且需要精确的Reward，对于现实世界的很多问题，比如机器人学习，没有好的reward，也没办法无限量训练，怎么办？这就需要能够快速学习。而人类之所以能够快速学习的关键是人类具备学会学习的能力，能够充分的利用以往的知识经验来指导新任务的学习，因此Meta Learning成为新的攻克的方向。

元学习和小样本学习资料博客总结（侵权删）

• 论文解读1–Model-Agnostic Meta-Learning for Fast Adaptation of Deep
  Networks
• Meta Learning综述1
• 小样本学习方法
• meta-learing论文集合
• Few-shot learning（少样本学习）和 Meta-learning（元学习）概述
• 论文解读2–Model-Agnostic Meta-Learning for Fast Adaptation of Deep
  Networks
• 小样本学习年度总结2018
• Zero-shot Learning / One-shot Learning / Few-shot Learning区别
• CVPR 2019 一览小样本学习研究进展