的一部分神经信息处理系统的进展33(NeurIPS 2020)
姚华秀、周英波、迈赫达德·马哈达维、李振辉、理查德·索彻、熊彩明
快速学习对于部署在在线平台上的机器智能非常重要。元学习具有从学习任务中传递知识的能力,通过不断更新学习先验知识的模型,在在线场景中显示出其有效性。然而,当前的在线元学习算法仅限于学习全局共享的元学习器,当任务包含难以共享的异构信息时,可能会导致次优结果。我们通过提出一个在线结构化元学习(OSML)框架来克服这一局限性。受人类知识组织和层次特征表示的启发,OSML明确地将元学习者分解为具有不同知识块的元层次图。当遇到新任务时,它会通过使用最相关的知识块或探索新块来构建元知识路径。通过元知识途径,该模型能够快速适应新任务。此外,新知识将进一步融入所选区块。在三个数据集上的实验证明了该框架的有效性和可解释性,不仅适用于异构任务,也适用于同构环境。
在电子诉讼程序中更改姓名的请求将被接受,不会提出任何问题。然而,名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点,并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。