机构名称：
¥ 2.0
元学习已经成为许多机器学习问题的强大工具。在为现实世界应用设计学习模型时需要考虑多种因素，具有多种目标的元学习引起了很多关注。但是，现有作品要么将多个目标结合到一个目标中，要么采用进化算法来处理它，在这种算法中，前者的方法需要支付高计算成本来调整组合系数，而后一种方法在计算上是沉重的，并且无法集成到基于梯度的优化中。为了减轻这些局限性，在本文中，我们旨在提出一个基于通用梯度的多目标元学习（MOML）框架，并在许多机器学习问题中进行了应用。特别是，MOML框架以多个目标作为多目标双级优化问题（MOBLP）制定了元学习的目标函数，其中高级子问题是解决了元元素的几个可能构成可能构成目标的目标。与现有作品不同，在本文中，我们提出了一种基于梯度的算法来解决MOBLP。特别是，我们通过分别通过梯度下降方法和基于梯度的多目标优化方法交替求解了基于第一个梯度的优化算法。从理论上讲，我们证明了收敛性，并对拟议的基于梯度的优化算法提供了非渐近分析。MOML的源代码可在https：// github .com /baijiong -lin /moml上找到。从经验上讲，广泛的实验证明了我们的理论结果合理，并证明了提出的MOML框架对不同学习问题的优越性，包括很少的学习，领域适应性，多任务学习，神经结构搜索和增强学习。
人工智能多目标元学习
主要关键词
相关文件推荐
