(NSF资助bc - 1842817)和大卫•克兰德尔
人类和机器学习的关键是概括:学习如何系统、生物或人工,不仅表现在其训练例子还有小说的例子和环境?方法之一,广泛使用和支持人类和机器学习是许多培训经验的例子。这个解决方案可以避免“过度拟合”,但是缓慢和渐进的。但是,在某些情况下人类的学习、泛化需要最小的经验。快速学习的几个例子的证据,通常称为“一次性”或“few-shot”特别好记录在学习视觉对象以及科学和数学的概念。增量和一次性学习讨论了不同的机制,但越来越多的兴趣如何一次性学习可能会出现之前的增量学习吗,一个想法与更广泛的“学会学习”的概念。中心思想解释从最小的例子是,快速学习深表征性原则允许学习者代表适当推广的新例子。因此,大多数只有一次的学习研究,实验和计算集中在这些表象背后的本质或学习机器。但如果一次性学习是可学的,那么额外的核心问题的担忧种经历教一个增量学习成为一个一次性的学习者。这是我们的重点。我们的主要观点是,泛化取决于知道允许和不允许转换,例如,允许转换为不同的看法相同的对象,加入一个类别,表明相同(如3 - 1和1 + 1)。我们寻求:
- 描述转换,
- 在时间,
- 他们的活动一代通过行为,
- 学习(和底层内存)机制。
