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