傳統(tǒng)機(jī)器學(xué)習(xí)正在凸顯它的不足。為了解決此問題，伯克利大學(xué)人工智能實(shí)驗(yàn)室教授繼2017年提出元學(xué)習(xí)后，又提出在線元學(xué)習(xí)。不僅可以解決傳統(tǒng)學(xué)習(xí)的不足，同時(shí)也彌補(bǔ)了元學(xué)習(xí)缺乏持續(xù)學(xué)習(xí)的缺陷。

傳統(tǒng)的機(jī)器學(xué)習(xí)研究模式需要獲取特定任務(wù)的大型數(shù)據(jù)集，然后利用這個(gè)數(shù)據(jù)集從頭開始訓(xùn)練模型。面對(duì)數(shù)據(jù)量不足的新任務(wù)時(shí)，這種方式顯然無法勝任。

如何使神經(jīng)網(wǎng)絡(luò)不僅能夠從一個(gè)學(xué)習(xí)任務(wù)，概括到另一個(gè)學(xué)習(xí)任務(wù)？而且隨著時(shí)間的推移，不斷提高通用新任務(wù)的概括能力？

解決上述問題的新理論：在線元學(xué)習(xí)

最近，伯克利大學(xué)人工智能實(shí)驗(yàn)室，Sergey Levine教授和同事切爾西·芬恩博士、領(lǐng)先的機(jī)器學(xué)習(xí)理論專家Sham Kakade及其學(xué)生、華盛頓大學(xué)的Aravind Rajeswaran，進(jìn)行了一些非常有趣的工作。

Levine教授多年來一直致力于將機(jī)器人技術(shù)，更多地轉(zhuǎn)向一種綜合“學(xué)習(xí)”方法：即讓機(jī)器人或智能體，學(xué)會(huì)“學(xué)習(xí)”（Learning to learn），即“元學(xué)習(xí)”。

元學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)在某種意義上是對(duì)某些任務(wù)進(jìn)行預(yù)先訓(xùn)練的，然后允許它實(shí)現(xiàn)一種技能轉(zhuǎn)移，使用新的、不同于訓(xùn)練好的數(shù)據(jù)進(jìn)行測(cè)試。此舉的目標(biāo)，是訓(xùn)練計(jì)算機(jī)能夠處理前所未有的新任務(wù)。

要完成我們開頭描述的新挑戰(zhàn)，需要將所需的數(shù)據(jù)量盡可能的減少，以應(yīng)對(duì)神經(jīng)網(wǎng)絡(luò)面臨的一些新任務(wù)，例如可能沒有大量可用的訓(xùn)練數(shù)據(jù)，或者沒有大量已標(biāo)記的訓(xùn)練數(shù)據(jù)。

在arXiv的一篇“在線元學(xué)習(xí)”論文中，作者描述了實(shí)現(xiàn)的可能性。（鏈接地址在文末）。與在線元學(xué)習(xí)并行的是，計(jì)算機(jī)正在學(xué)習(xí)如何及時(shí)擴(kuò)展其對(duì)實(shí)例的理解，從某種意義上提高其理解能力。

此項(xiàng)研究已經(jīng)與Levine的其他工作相呼應(yīng)，例如哪些更接近機(jī)器人技術(shù)本身的成果。

了解在線元學(xué)習(xí)

在線元學(xué)習(xí)的誕生之前，Levine和他的團(tuán)隊(duì)在2017年開發(fā)了一個(gè)廣泛的系統(tǒng)，稱為“模型無關(guān)的元學(xué)習(xí)（MAML）”。

這種方法可以匹配任何使用梯度下降算法訓(xùn)練的模型，并能應(yīng)用于各種不同的學(xué)習(xí)問題，如分類、回歸和強(qiáng)化學(xué)習(xí)等。

但MAML有一個(gè)弱點(diǎn)：它的概括能力在初始預(yù)訓(xùn)練后基本停止，隨著時(shí)間的推移，失去了適應(yīng)能力。

為了解決這個(gè)問題，作者借鑒了另一條長(zhǎng)長(zhǎng)的研究線索：在線學(xué)習(xí)。

在線學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)通過比較每個(gè)新任務(wù)的參數(shù)中，不同的可能設(shè)置之間的差別，來進(jìn)行不斷優(yōu)化。

該神經(jīng)網(wǎng)絡(luò)尋求以這種方式找到其參數(shù)的解決方案，將任務(wù)的實(shí)際性能與最佳性能之間的差異，即最小化“regret”。

作者提出了“follow the meta-leader”算法，這是一個(gè)將“元學(xué)習(xí)”這個(gè)術(shù)語與最成功的“在線學(xué)習(xí)”算法相結(jié)合的詞匯。

值得一提的是，“follow the leader”的，最早是在20世紀(jì)50年代，Jim Hannan為博弈論領(lǐng)域。

智能體被賦予一系列任務(wù)，這些任務(wù)在一輪又一輪不斷的進(jìn)行。例如經(jīng)典MNIST數(shù)據(jù)集中的數(shù)字圖像，或者對(duì)場(chǎng)景中的對(duì)象執(zhí)行“姿勢(shì)預(yù)測(cè)”，或?qū)ξ矬w進(jìn)行分類。

每輪結(jié)束之后，智能體試圖通過fine-tune，使得其隨時(shí)間發(fā)展的權(quán)重或參數(shù)，達(dá)成regret最小化的目的。

而所有這一切都通過經(jīng)典的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法，隨機(jī)梯度下降來實(shí)現(xiàn)。作者將這些任務(wù)與先前的方法相比后，展示了了一些令人印象深刻的基準(zhǔn)測(cè)試結(jié)果。

在線元學(xué)習(xí)的缺陷

論文最后得出的觀點(diǎn)是：這種方法在某種意義上說，是站在一種更偏自然過程的角度，來實(shí)現(xiàn)理想的現(xiàn)實(shí)世界學(xué)習(xí)過程，因?yàn)樗芭c不斷變化的環(huán)境相互作用的智能體”。

正如作者提到，這個(gè)事實(shí)“應(yīng)該利用流算法的經(jīng)驗(yàn)來掌握手頭的任務(wù)，并且在未來學(xué)習(xí)新任務(wù)時(shí)變得更加熟練。”

但是，萬事都不是完美的。在線元學(xué)習(xí)也有一些弱項(xiàng)，算力就是一個(gè)非常典型的例子。

將來需要進(jìn)行一些改進(jìn)以維護(hù)過去任務(wù)的數(shù)據(jù)，從而得出一些使用“更便宜算力”的算法。

可擴(kuò)展性也是一個(gè)非常大的問題。作者說雖然這種方法可以有效地按順序，學(xué)習(xí)近100項(xiàng)任務(wù)而不會(huì)對(duì)計(jì)算或內(nèi)存造成重大負(fù)擔(dān)，但可擴(kuò)展性仍然是一個(gè)問題。