小样本学习|元学习ICLR2017《Optimization as A Model for Few-shot Learning》

目录

• 1. 思想
• 2. 过程
• 3. 实验

《Optimization as A Model for Few-shot Learning》

网络名称：Meta-Learner LSTM

文章来源：ICLR2017

1. 思想

  问题：小样本数量少，梯度下降算法是针对大量样本迭代才能收敛到较好的结果。

  目标： 针对最终的训练集X和测试集Y

  1.给出一个好的神经网络的参数初始化。

  2.利用LSTM对神经网络的参数进行更新。

  注意有2个网络：神经网络（Learner），用来逼近输入样本X输出Y的函数；神经元网络LSTM（Meta-learner），用来替换梯度下降算法更新神经网络的参数。

LSTM长短期记忆网络：

  用上一步 ct-1 和这一步的 ct(加~ ) 来更新 ct 。其中 ft 为忘记门， it 为输入门，是两个权重参数。

利用LSTM作神经网络参数的更新：

  想利用LSTM进行神经网络参数更新，来近似梯度下降的更新：

则须令：

  然后LSTM中就剩两个权重参数了。it 就是学习率参数，而 ft 在梯度下降中本身应该等于1的，这里我们设置它是变动的权重参数，可以让网络跳出局部最优解。这两个变动的参数的表示：

  这样我们将LSTM做成了一个神经元网络学习器，参数 Wf、bf、WI、bI是需要训练的神经元网络参数，记为 Θ 。

小总结：

   LSTM的过程就是输入神经网络的参数（θ），输出更新的神经网络参数，过程相当于参数 θ 的梯度下降。（实际的输入还包括损失函数及其梯度等。）

  注意区分神经网络参数（Learner，θ）和神经元网络参数（Meta-learner， Θ），神经网络是用来逼近输入样本X输出Y的函数，神经元网络LSTM是用来更新梯度的。

2. 过程

  针对目标任务（X , Y）训练神经网络。

  1. 利用多个任务序列（Xi , Yi）更新神经网络参数（θi），但是这里不更新神经元网络参数（Θ，即 Wf、bf、WI、bI）。过程如上图。对应伪代码中7-12。

  2. 利用（X , Y）的损失函数用梯度下降法更新神经元网络参数。对应伪代码14-16。

  3. 重复1,2过程n次。

3. 实验

1.原文下载

2.源码地址

3.经典论文汇总: 小样本学习论文汇总链接