wordpress手机端侧边工具栏,seo的工作原理,wordpress插件 盗版,wordpress post存储文章目录 什么是元学习元学习的目标元学习的类型数学推导1. 传统机器学习的数学表述2. 元学习的基本思想3. MAML 算法推导3.1 元任务设置3.2 内层优化#xff1a;任务级别学习3.3 外层优化#xff1a;元级别学习3.4 元梯度计算3.5 最终更新规则 4. 算法合并5. 理解 MAML 的优… 文章目录 什么是元学习元学习的目标元学习的类型数学推导1. 传统机器学习的数学表述2. 元学习的基本思想3. MAML 算法推导3.1 元任务设置3.2 内层优化任务级别学习3.3 外层优化元级别学习3.4 元梯度计算3.5 最终更新规则 4. 算法合并5. 理解 MAML 的优化 图例MAML 的优势其他元学习方法总结手写笔记 作者介绍双非本科大四网络工程专业在读阿里云专家博主专注于Java领域学习擅长web应用开发目前开始人工智能领域相关知识的学习 个人主页逐梦苍穹 所属专栏人工智能 gitee地址xzl的人工智能代码仓库 ✈ 您的一键三连是我创作的最大动力 之前介绍过元学习的内容https://xzl-tech.blog.csdn.net/article/details/142025393 这篇文章讲一下Meta-Learning的数学原理。
什么是元学习
元学习Meta-Learning也称为“学习如何学习”是一种机器学习方法其目的是通过学习算法的经验和结构特性提升算法在新任务上的学习效率。
换句话说元学习试图学习一种更有效的学习方法使得模型能够快速适应新的任务或环境。 传统的机器学习算法通常需要大量的数据来训练模型并且当数据分布发生变化或者遇到一个新任务时模型往往需要重新训练才能保持良好的性能。
而元学习则不同它通过 从多个相关任务中学习从而在面对新任务时更快速地进行学习。
元学习的核心思想是利用“学习的经验”来提高学习的速度和质量。
在元学习的框架中有两个层次的学习过程
元学习者Meta-Learner 负责从多个任务中提取经验和知识用于更新学习策略或模型参数。基础学习者Base Learner 在每个具体任务上执行实际的学习过程。
元学习的目标
元学习的目标是解决以下问题
快速适应 当模型面临新任务时能够基于已有的经验快速适应而无需大量的数据和计算资源。跨任务泛化 提高模型从多个任务中学习到的知识在新任务上的泛化能力。提高数据效率 减少模型在新任务上所需的数据量尤其是在数据稀缺或高昂的情况下。
元学习的类型
元学习可以按照不同的方式分类以下是三种主要类型
基于模型的元学习Model-Based Meta-Learning 这种方法通过直接设计一种能够快速适应新任务的模型架构通常是通过某种特殊的神经网络结构来实现的。例如基于记忆的神经网络如 LSTM 或 Memory-Augmented Neural Networks被设计成能有效地记住过去的任务信息并在新任务上进行快速调整。例子 MANNMemory-Augmented Neural NetworksSNAILSimple Neural Attentive Meta-Learner。 基于优化的元学习Optimization-Based Meta-Learning 这种方法的核心是通过改进优化过程本身来实现快速学习。其代表算法是 MAMLModel-Agnostic Meta-Learning它通过在所有任务上共享一个初始模型参数使得初始模型在每个任务上进行少量梯度下降更新后能够快速适应新任务。例子 MAMLModel-Agnostic Meta-LearningReptile。 基于记忆的元学习Memory-Based Meta-Learning 这类方法直接存储并检索训练过程中的经验数据。当遇到新任务时通过查找与之相似的旧任务并利用这些旧任务的数据和经验来快速学习。k-NNk-近邻方法是最基本的例子而更复杂的方法可能使用深度记忆网络。例子 Meta NetworksPrototypical Networks。
数学推导
1. 传统机器学习的数学表述
在传统的机器学习中我们通常试图找到一个函数 f θ f_\theta fθ来最小化给定数据集 D D D的损失函数 θ ∗ arg min θ L ( f θ , D ) \theta^* \arg\min_{\theta} L(f_\theta, D) θ∗argminθL(fθ,D) 其中 θ \theta θ是模型的参数。 L ( f θ , D ) L(f_\theta, D) L(fθ,D)是损失函数例如交叉熵损失。通过梯度下降等优化方法我们不断更新参数 θ \theta θ以最小化损失。
2. 元学习的基本思想
元学习的目标是找到一种元算法 F ϕ F_\phi Fϕ使得它可以快速学习新任务。这里的关键是学习一种 学习算法。换句话说元学习希望找到一组元参数 ϕ \phi ϕ从而在给定一个新任务 T i T_i Ti时使用少量数据和梯度更新就可以迅速找到特定任务的参数 θ i \theta_i θi。
3. MAML 算法推导
MAML 的目标是学习一个初始模型参数 θ \theta θ使得它可以通过少量的梯度更新快速适应新任务。
3.1 元任务设置
假设有一组任务 { T 1 , T 2 , … , T N } \{T_1, T_2, \dots, T_N\} {T1,T2,…,TN}每个任务 T i T_i Ti有自己的训练数据 D i train D_i^{\text{train}} Ditrain和测试数据 D i test D_i^{\text{test}} Ditest。
3.2 内层优化任务级别学习
对于每个任务 T i T_i Ti我们首先使用任务的训练数据 D i train D_i^{\text{train}} Ditrain和当前的模型参数 θ \theta θ进行一次或多次梯度更新得到任务特定的参数 θ i ′ \theta_i θi′ θ i ′ θ − α ∇ θ L T i ( f θ , D i train ) \theta_i \theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}}) θi′θ−α∇θLTi(fθ,Ditrain) 其中 α \alpha α是学习率。 L T i ( f θ , D i train ) L_{T_i}(f_\theta, D_i^{\text{train}}) LTi(fθ,Ditrain)是任务 T i T_i Ti的损失函数例如对于分类任务可以是交叉熵损失。
3.3 外层优化元级别学习
在每个任务的测试数据上评估更新后的模型参数 θ i ′ \theta_i θi′计算其损失并在所有任务上最小化测试损失的总和 min θ ∑ i 1 N L T i ( f θ i ′ , D i test ) \min_{\theta} \sum_{i1}^N L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) minθ∑i1NLTi(fθi′,Ditest) 将 θ i ′ \theta_i θi′展开这个目标实际上是关于初始参数 θ \theta θ的优化问题 min θ ∑ i 1 N L T i ( f θ − α ∇ θ L T i ( f θ , D i train ) , D i test ) \min_{\theta} \sum_{i1}^N L_{T_i}(f_{\theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}})}, D_i^{\text{test}}) minθ∑i1NLTi(fθ−α∇θLTi(fθ,Ditrain),Ditest)
3.4 元梯度计算
为了优化这个目标我们需要对 θ \theta θ求梯度。这里涉及二阶梯度因为 θ i ′ \theta_i θi′是通过内层优化得到的 θ ← θ − β ∑ i 1 N ∇ θ L T i ( f θ i ′ , D i test ) \theta \leftarrow \theta - \beta \sum_{i1}^N \nabla_\theta L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) θ←θ−β∑i1N∇θLTi(fθi′,Ditest) 其中 β \beta β是元学习的学习率。
这个更新包含了二阶导数项 ∇ θ θ i ′ ∇ θ ( θ − α ∇ θ L T i ( f θ , D i train ) ) \nabla_\theta \theta_i \nabla_\theta \left(\theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}})\right) ∇θθi′∇θ(θ−α∇θLTi(fθ,Ditrain))。
3.5 最终更新规则
最终的元学习更新规则可以写为 θ ← θ − β ∑ i 1 N ∇ θ L T i ( f θ − α ∇ θ L T i ( f θ , D i train ) , D i test ) \theta \leftarrow \theta - \beta \sum_{i1}^N \nabla_\theta L_{T_i}\left(f_{\theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}})}, D_i^{\text{test}}\right) θ←θ−β∑i1N∇θLTi(fθ−α∇θLTi(fθ,Ditrain),Ditest)
4. 算法合并
将内层优化 θ i ′ \theta_i θi′代入外层优化的公式中外层优化的梯度 ∇ θ L T i ( f θ i ′ , D i test ) \nabla_\theta L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) ∇θLTi(fθi′,Ditest)需要应用链式法则 ∇ θ L T i ( f θ i ′ , D i test ) ∇ θ L T i ( f θ − α ∇ θ L T i ( f θ , D i train ) , D i test ) \nabla_\theta L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) \nabla_\theta L_{T_i}\left(f_{\theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}})}, D_i^{\text{test}}\right) ∇θLTi(fθi′,Ditest)∇θLTi(fθ−α∇θLTi(fθ,Ditrain),Ditest) 通过链式法则展开这个公式 ∇ θ L T i ( f θ i ′ , D i test ) ∇ θ i ′ L T i ( f θ i ′ , D i test ) ⋅ ∇ θ θ i ′ \nabla_\theta L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) \nabla_{\theta_i} L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) \cdot \nabla_\theta \theta_i ∇θLTi(fθi′,Ditest)∇θi′LTi(fθi′,Ditest)⋅∇θθi′ 其中 ∇ θ θ i ′ \nabla_\theta \theta_i ∇θθi′的形式为 ∇ θ θ i ′ I − α ∇ θ 2 L T i ( f θ , D i train ) \nabla_\theta \theta_i I - \alpha \nabla^2_\theta L_{T_i}(f_\theta, D_i^{\text{train}}) ∇θθi′I−α∇θ2LTi(fθ,Ditrain) I I I是单位矩阵 ∇ θ 2 L T i ( f θ , D i train ) \nabla^2_\theta L_{T_i}(f_\theta, D_i^{\text{train}}) ∇θ2LTi(fθ,Ditrain)是损失函数关于 θ \theta θ的二阶导数Hessian 矩阵。 最终的公式
将这些部分合并在一起得到 MAML 的最终更新公式为 θ ← θ − β ∑ i 1 N ∇ θ i ′ L T i ( f θ − α ∇ θ L T i ( f θ , D i train ) , D i test ) ⋅ ( I − α ∇ θ 2 L T i ( f θ , D i train ) ) \theta \leftarrow \theta - \beta \sum_{i1}^N \nabla_{\theta_i} L_{T_i}\left(f_{\theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}})}, D_i^{\text{test}}\right) \cdot \left(I - \alpha \nabla^2_\theta L_{T_i}(f_\theta, D_i^{\text{train}})\right) θ←θ−βi1∑N∇θi′LTi(fθ−α∇θLTi(fθ,Ditrain),Ditest)⋅(I−α∇θ2LTi(fθ,Ditrain)) 解释
内层优化第一部分 θ i ′ θ − α ∇ θ L T i ( f θ , D i train ) \theta_i \theta - \alpha \nabla_\theta L_{T_i}(f_\theta, D_i^{\text{train}}) θi′θ−α∇θLTi(fθ,Ditrain)表示在每个任务上用梯度下降更新 θ \theta θ得到特定于任务的参数 θ i ′ \theta_i θi′。外层优化外层优化考虑测试集上的损失并通过链式法则计算对 θ \theta θ的梯度。这部分的关键是包含了内层更新的二阶导数 ∇ θ θ i ′ \nabla_\theta \theta_i ∇θθi′。合并公式最终的更新公式同时结合了内层和外层优化的过程充分考虑了内层更新对外层优化的影响。 简化在某些情况下
在实际应用中计算二阶导数Hessian 矩阵非常昂贵。因此有时会使用近似方法来简化计算例如“一次近似 MAML (First-Order MAML, FOMAML)”忽略二阶项仅使用一阶导数进行更新。简化后的更新公式为 θ ← θ − β ∑ i 1 N ∇ θ i ′ L T i ( f θ i ′ , D i test ) \theta \leftarrow \theta - \beta \sum_{i1}^N \nabla_{\theta_i} L_{T_i}(f_{\theta_i}, D_i^{\text{test}}) θ←θ−βi1∑N∇θi′LTi(fθi′,Ditest)
这个简化版本去除了 ∇ θ θ i ′ \nabla_\theta \theta_i ∇θθi′中的二阶导数计算。
5. 理解 MAML 的优化
通过上面的推导MAML 的优化分为两个阶段
内层优化在每个任务上利用任务的训练数据对模型进行一次或多次更新以获得任务特定的模型参数。外层优化在所有任务的测试数据上评估内层优化后的模型并利用这个评估结果更新模型的初始参数。
图例 MAML 的优势
MAML 的一个关键优势在于它学习了一个初始参数 θ \theta θ使得它可以通过少量梯度更新快速适应新任务。这使得它非常适合少样本学习场景如几次样本分类。
其他元学习方法
除了 MAML文件中还提到其他元学习方法如基于优化器的元学习、网络架构搜索NAS等。这些方法都在不同程度上优化了元学习的过程使得模型能够在少量数据的情况下快速学习。
总结
元学习的数学推导核心在于通过多个任务的训练学习到一个通用的学习算法或模型初始化使得模型可以快速适应新任务。MAML 是元学习的一个经典方法通过在元任务上进行二阶优化使模型获得更好的泛化能力。
手写笔记
最后放几张今天的手写笔记主要是方便查阅。
