机器之心原创
作者：仵冀颖
编辑：H4O
年，NeurIPS接受与元学习相关的研究论文约有20余篇。元学习（Meta-Learning）是近几年的研究热点，其目的是基于少量无标签数据实现快速有效的学习。本文对本次接收的元学习论文进行了梳理和解读。
年NeurIPS将于12月8日至14日在加拿大温哥华举行。NeurIPS今年共收到投稿篇，其中接受论文篇，接受率达到了21.1%。作为人工智能领域的年度盛会，每年人工智能的专家学者以及工业企业界的研发人员都会积极参会，发布最新的理论研究结果以及应用实践方面的成果。今年，国外的高校和研究机构一如既往的踊跃参加本届NeurIPS，其中Google共贡献了篇文章，斯坦福和卡耐基梅隆分别有79篇和75篇文章。国内的企业界腾讯上榜18篇、阿里巴巴上榜10篇，高校和研究机构中清华参与完成的文章共有35篇。
年，NeurIPS接受与元学习相关的研究论文约有20余篇。元学习（Meta-Learning）是近几年的研究热点，其目的是基于少量无标签数据实现快速有效的学习。元学习通过首先学习与相似任务匹配的内部表示，为机器提供了一种使用少量样本快速适应新任务的方法。学习这种表示的方法主要有基于模型的（model-basedmeta-learning）和模型不可知的（model-agnosticmeta-learning，MAML）两类。基于模型的元学习方法利用少量样本的任务标记（taskidentity）来调整模型参数，使用模型完成新任务，这种方法最大的问题是设计适用于未知任务的元学习策略非常困难。模型不可知的方法首先由ChelseaFinn研究组提出，通过初始化模型参数，执行少量的梯度更新步骤就能够成功完成新的任务。
本文从NeurIPS的文章中选择了四篇来看看元学习的最新的研究方向和取得的成果。ChelseaFinn以及他的老师PieterAbbeel在元学习领域一直非常活跃，他们的研究团队在这个方向已经贡献了大量的优秀成果，推动了元学习在不同任务中的有效应用。在本次NeurIPS中，他们的研究团队针对基于梯度（或优化）的元学习提出了一种只依赖于内部级别优化的解决方案，从而有效地将元梯度计算与内部循环优化器的选择分离开来。另外，针对强化学习问题，提出了一种元强化学习算法，通过有监督的仿真学习有效的强化学习过程，大大加快了强化学习程序和先验知识的获取。我们将在这篇提前看中深入分析和理解这些工作。
ChelseaFinn是斯坦福大学计算机科学和电子工程的助理教授，同时也担任GoogleBrain的研究科学家。ChelseaFinn在她的博士论文《LearningtoLearnwithGradients》中提出的MAML是目前元学习的三大方法之一，ChelseaFinn证明了MAML的理论基础，并在元学习领域中将其发扬光大，在少样本模仿学习、元强化学习、少样本目标推断等中都获得了很好的应用。
本文还选择另外两篇关于元学习的文章进行讨论，其中一篇是Facebook的工作，提出了一种元序列到序列（Metaseq2seq）的方法，通过学习成分概括，利用域的代数结构来帮助理解新的语句。另外一篇提出了一个多模态MAML（MultimodalMAML）框架，该框架能够根据所识别的模式调整其元学习先验参数，从而实现更高效的快速自适应。
论文清单：
Meta-LearningwithImplicitGradientsGuidedMeta-PolicySearchCompositionalgeneralizationthroughmetasequence-to-sequencelearningMultimodalModel-AgnosticMeta-LearningviaTask-AwareModulation1、AravindRajeswaran，ChelseaFinn，ShamKakade，SergeyLevine，Meta-LearningwithImplicitGradients，
