傳統機器學習正在凸顯它的不足。為了解決此問題，伯克利大學人工智能實驗室教授繼2017年提出元學習后，又提出在線元學習。不僅可以解決傳統學習的不足，同時也彌補了元學習缺乏持續學習的缺陷。

傳統的機器學習研究模式需要獲取特定任務的大型數據集，然后利用這個數據集從頭開始訓練模型。面對數據量不足的新任務時，這種方式顯然無法勝任。

如何使神經網絡不僅能夠從一個學習任務，概括到另一個學習任務？而且隨著時間的推移，不斷提高通用新任務的概括能力？

解決上述問題的新理論：在線元學習

最近，伯克利大學人工智能實驗室，Sergey Levine教授和同事切爾西·芬恩博士、領先的機器學習理論專家Sham Kakade及其學生、華盛頓大學的Aravind Rajeswaran，進行了一些非常有趣的工作。

Levine教授多年來一直致力于將機器人技術，更多地轉向一種綜合“學習”方法：即讓機器人或智能體，學會“學習”（Learning to learn），即“元學習”。

元學習中，神經網絡在某種意義上是對某些任務進行預先訓練的，然后允許它實現一種技能轉移，使用新的、不同于訓練好的數據進行測試。此舉的目標，是訓練計算機能夠處理前所未有的新任務。

要完成我們開頭描述的新挑戰，需要將所需的數據量盡可能的減少，以應對神經網絡面臨的一些新任務，例如可能沒有大量可用的訓練數據，或者沒有大量已標記的訓練數據。

在arXiv的一篇“在線元學習”論文中，作者描述了實現的可能性。（鏈接地址在文末）。與在線元學習并行的是，計算機正在學習如何及時擴展其對實例的理解，從某種意義上提高其理解能力。

此項研究已經與Levine的其他工作相呼應，例如哪些更接近機器人技術本身的成果。

了解在線元學習

在線元學習的誕生之前，Levine和他的團隊在2017年開發了一個廣泛的系統，稱為“模型無關的元學習（MAML）”。

這種方法可以匹配任何使用梯度下降算法訓練的模型，并能應用于各種不同的學習問題，如分類、回歸和強化學習等。

但MAML有一個弱點：它的概括能力在初始預訓練后基本停止，隨著時間的推移，失去了適應能力。

為了解決這個問題，作者借鑒了另一條長長的研究線索：在線學習。

在線學習中，神經網絡通過比較每個新任務的參數中，不同的可能設置之間的差別，來進行不斷優化。

該神經網絡尋求以這種方式找到其參數的解決方案，將任務的實際性能與最佳性能之間的差異，即最小化“regret”。

作者提出了“follow the meta-leader”算法，這是一個將“元學習”這個術語與最成功的“在線學習”算法相結合的詞匯。

值得一提的是，“follow the leader”的，最早是在20世紀50年代，Jim Hannan為博弈論領域。

智能體被賦予一系列任務，這些任務在一輪又一輪不斷的進行。例如經典MNIST數據集中的數字圖像，或者對場景中的對象執行“姿勢預測”，或對物體進行分類。

每輪結束之后，智能體試圖通過fine-tune，使得其隨時間發展的權重或參數，達成regret最小化的目的。

而所有這一切都通過經典的神經網絡優化方法，隨機梯度下降來實現。作者將這些任務與先前的方法相比后，展示了了一些令人印象深刻的基準測試結果。

在線元學習的缺陷

論文最后得出的觀點是：這種方法在某種意義上說，是站在一種更偏自然過程的角度，來實現理想的現實世界學習過程，因為它包含“與不斷變化的環境相互作用的智能體”。

正如作者提到，這個事實“應該利用流算法的經驗來掌握手頭的任務，并且在未來學習新任務時變得更加熟練。”

但是，萬事都不是完美的。在線元學習也有一些弱項，算力就是一個非常典型的例子。

將來需要進行一些改進以維護過去任務的數據，從而得出一些使用“更便宜算力”的算法。

可擴展性也是一個非常大的問題。作者說雖然這種方法可以有效地按順序，學習近100項任務而不會對計算或內存造成重大負擔，但可擴展性仍然是一個問題。