Meta Learning - MAML (1/9)

Meat learning

讓機器學習如何去學習 learn to learn

機器在過去的任務裡面，學到了如何學習這件事，所以未來有新的任務，可以學得更快

即便過去的任務可能是影像、聲音辨識，新的任務可能是文字辨識，但機器一樣可以學得更好

Meat learning vs Lifelong learning

Meta learning與Lifelong learning有點像

• Lifelong learning：主要是要機器看過一大堆過去看過的task，然後希望他在新的task上可以做得更好。使用同一個模型學習，期待這個模型可以學會更多的技能。
• Meta learning：不同任務使用不同的模型，期待機器從過去的學習經驗內學到當未來要train新的模型時，可以更快更好。

Meat learning vs Machine learning

Machine learning

<aside> 💡 根據資料找出一個 function $f$

</aside>

寫好一個Learning Algorithm，輸入一堆訓練資料，輸出一個function $f^*$（或說一個model的參數）

以影像辨識為例，輸入一堆影像，輸出一組CNN Model的參數（一個$f^$），我們可以直接用輸出$f^$來做影像辨識

Meat learning

<aside> 💡 根據資料找出一個「可以找出一個 function $f$ 」的 Function $F$

</aside>

把ML中的learning algorithm想成一個function $F$ （不用管裡面是什麼）

$F$的輸入是訓練資料，輸出是一個function $f^$。而這個$f^$就可以直接拿來做影像辨識

Meat learning要做的就是找出這個「輸入是訓練資料，輸出是一另個function」 的 algorithm