Meta Learning = Learn to Learn

1. 什么是Meta Learning?

LLL与Meta Learning的关系？

同：学过很多task之后，期待在新的task上会学得更好
异：LLL是让同一个model学会所有的task。Meta Learning是让Model学会学习的能力。

什么是Mechine Learning？

1. 定义一个F（mechine learning algorithm），输入大量训练数据，输出一组参数f*
2. 基于参数f*，输入testing data，输出预测结果

Mechine Learning是一种找f的能力。
Meta Learning是一种找F的能力。

Meta Learning的步骤：

1. 定义一组learning algorithm F 图是的红框原本都是人工设计出来的。选择不同的设计就是不同的F。

2. 评价一个F的好坏
   
   $L(F) = \sum_{n=1}^N l^n$

3. 找到最好的F

2. MAML

Model Agnostic Meta-Learning
只关注“初始化参数”
$\begin{aligned} L(\phi) = \sum_{n=1}^N l^n(\hat \theta^n) \\ \phi = \phi - \eta \nabla_{\phi} L(\phi) \end{aligned}$

横轴：model参数
纵轴：loss

$\phi$参数可能在task 1和task 2上效果一般，
但是从$\phi$出发，
在task 1上能容易地找到最优参数$\hat \theta^1$，
在task 2上能容易地找到最优参数$\hat \theta^2$，
因此$\phi$是一个好的初始化参数。

这个$\phi$不是一个好的初始化参数，因为它会导致task 2收敛不到最小。

MAML假设：
最后得到一个比较好的初始化参数$\phi$以后，只需经过一次gradient descent，就能找到最好的$\hat \theta$。
以下是推导公式：
$\begin{aligned} \hat \theta = \phi - \epsilon \nabla_{\phi} l(\phi) \\ L(\phi) = \sum_{n=1}^N l^n(\hat \theta^n) \\ \phi = \phi - \eta \nabla_{\phi} L(\phi) \\ \nabla_{\phi}L(\theta) = \sum_{n=1}^N \nabla_\phi l^n(\hat \theta ^n) \\ \nabla_{\phi} l(\hat \theta) = \frac{\partial l(\hat \theta)}{\partial \theta_i} = \sum_j \frac{\partial l(\hat \theta)}{\partial hat \theta_j} \frac{\partial hat \theta_j}{\partial \theta_i} \approx \frac{\partial hat \theta_j}{\partial hat \theta_i} = \nabla_{\hat\theta}l(\hat \theta) \end{aligned}$

3. Reptile