Note：[ wechat：Y466551 | 可加勿騷擾，付費諮詢 ]
論文資訊
論文標題：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
論文作者：Chelsea Finn、Pieter Abbeel、Sergey Levine
論文來源：2017
論文地址：download
論文程式碼：download
視屏講解：click
1-摘要
域移位是指一個眾所周知的問題，即在一個源域中訓練的模型在應用於具有不同統計資料的目標域時表現較差。域泛化（DG）技術試圖透過生成模型來緩解這個問題，透過設計可以很好地推廣到新的測試領域。我們提出了一種新的領域泛化的元學習方法。我們沒有像之前的大多數DG工作中那樣設計一個特定的對域位移具有魯棒性的模型，而是為DG提出了一個模型不可知的訓練程式。我們的演算法透過在每個小批次中合成虛擬測試域來模擬訓練過程中的訓練/測試域偏移。元最佳化目標要求提高訓練域效能的步驟也應該提高測試域效能。這種元學習過程訓練具有良好泛化能力的模型。我們評估了我們的方法，並在最近的一個跨領域影像分類基準上取得了最新的結果，並展示了其在兩個經典的強化學習任務上的潛力。
2-方法
2.1 框架
圖示：在多個源域上進行訓練，在一個域上做測試。多個源域劃各自劃分為訓練集和驗證集，根據所有源域的驗證集結果最好的模型得到目標域的效能。在訓練的時候，選擇其中一個 作為 meta-test，其他的訓練集做為 meta-train。
2.2 監督訓練演算法
演算法：
