通过持续元学习解决传统机器学习方式的致命不足

传统机器学习正在凸显它的不足。为了解决此问题，伯克利大学人工智能实验室教授继2017年提出元学习后，又提出在线元学习。不仅可以解决传统学习的不足，同时也弥补了元学习缺乏持续学习的缺陷。

传统的机器学习研究模式需要获取特定任务的大型数据集，然后利用这个数据集从头开始训练模型。面对数据量不足的新任务时，这种方式显然无法胜任。

如何使神经网络不仅能够从一个学习任务，概括到另一个学习任务？而且随着时间的推移，不断提高通用新任务的概括能力？

解决上述问题的新理论：在线元学习

最近，伯克利大学人工智能实验室，Sergey Levine教授和同事切尔西·芬恩博士、领先的机器学习理论专家Sham Kakade及其学生、华盛顿大学的Aravind Rajeswaran，进行了一些非常有趣的工作。

Levine教授多年来一直致力于将机器人技术，更多地转向一种综合“学习”方法：即让机器人或智能体，学会“学习”（Learning to learn），即“元学习”。

元学习中，神经网络在某种意义上是对某些任务进行预先训练的，然后允许它实现一种技能转移，使用新的、不同于训练好的数据进行测试。此举的目标，是训练计算机能够处理前所未有的新任务。

要完成我们开头描述的新挑战，需要将所需的数据量尽可能的减少，以应对神经网络面临的一些新任务，例如可能没有大量可用的训练数据，或者没有大量已标记的训练数据。

在arXiv的一篇“在线元学习”论文中，作者描述了实现的可能性。（链接地址在文末）。与在线元学习并行的是，计算机正在学习如何及时扩展其对实例的理解，从某种意义上提高其理解能力。

此项研究已经与Levine的其他工作相呼应，例如哪些更接近机器人技术本身的成果。

了解在线元学习

在线元学习的诞生之前，Levine和他的团队在2017年开发了一个广泛的系统，称为“模型无关的元学习（MAML）”。

这种方法可以匹配任何使用梯度下降算法训练的模型，并能应用于各种不同的学习问题，如分类、回归和强化学习等。

但MAML有一个弱点：它的概括能力在初始预训练后基本停止，随着时间的推移，失去了适应能力。

为了解决这个问题，作者借鉴了另一条长长的研究线索：在线学习。

在线学习中，神经网络通过比较每个新任务的参数中，不同的可能设置之间的差别，来进行不断优化。

该神经网络寻求以这种方式找到其参数的解决方案，将任务的实际性能与最佳性能之间的差异，即最小化“regret”。

作者提出了“follow the meta-leader”算法，这是一个将“元学习”这个术语与最成功的“在线学习”算法相结合的词汇。

值得一提的是，“follow the leader”的，最早是在20世纪50年代，Jim Hannan为博弈论领域。

智能体被赋予一系列任务，这些任务在一轮又一轮不断的进行。例如经典MNIST数据集中的数字图像，或者对场景中的对象执行“姿势预测”，或对物体进行分类。

每轮结束之后，智能体试图通过fine-tune，使得其随时间发展的权重或参数，达成regret最小化的目的。

而所有这一切都通过经典的神经网络优化方法，随机梯度下降来实现。作者将这些任务与先前的方法相比后，展示了了一些令人印象深刻的基准测试结果。

在线元学习的缺陷

论文最后得出的观点是：这种方法在某种意义上说，是站在一种更偏自然过程的角度，来实现理想的现实世界学习过程，因为它包含“与不断变化的环境相互作用的智能体”。

正如作者提到，这个事实“应该利用流算法的经验来掌握手头的任务，并且在未来学习新任务时变得更加熟练。”

但是，万事都不是完美的。在线元学习也有一些弱项，算力就是一个非常典型的例子。

将来需要进行一些改进以维护过去任务的数据，从而得出一些使用“更便宜算力”的算法。

可扩展性也是一个非常大的问题。作者说虽然这种方法可以有效地按顺序，学习近100项任务而不会对计算或内存造成重大负担，但可扩展性仍然是一个问题。