【牛津大学博士论文】基于元学习和对称性的数据高效深度学习探索

文章预览

来源：专知 本文 约1000字 ，建议阅读 5 分钟 我们提出了一些旨在提高深度学习系统数据效率的新技术和模型。 近年来，深度学习的进展在很大程度上得益于数据和计算资源的增加。尽管数据的丰富性使模型在某些领域表现良好，但在实际应用中（例如医学领域），数据往往稀缺或难以收集。此外，也存在将大型数据集视为许多相关的小数据集的情境，其中一个小数据集相关任务的数据可能不充足。同时，人类智能通常只需少量样本即可在新任务上表现出色，这强调了设计数据高效AI系统的重要性。本论文探讨了应对这一挑战的两种策略：元学习和对称性。 元学习将数据丰富的环境视为许多小型、独立数据集的集合。每个小数据集代表一个不同的任务，但它们之间存在潜在的共享知识。利用这种共享知识可以设计出在相似领域中高效解决新任务的 ………………………………