浅谈元学习中的支持集和查询集

一、元学习概述

元学习是机器学习的一种学习范式，最早由人工智能科学家Jurgen Schmidhuber在1987年5月14日提交的博士论文中提出的概念。元学习使用较多的应用场景是有标注数据很少的情况，这称为小样本学习(Few-Shot Learning)问题。该领域最经典的论文是2017年的Chelsea Finn提出的MAML，即Model Agnostic Meta Learning，去谷歌学术搜索可以发现其引用量已经超过6000。

元学习的主要研究内容是希望使得模型获取调整超参数的能力，使其可以在获取已有知识的基础上快速学习新的任务。学习什么呢？学习一个带参数的函数 $F_\Phi$ ，然后再对特定任务进行训练（所以这个迁移学习有点像）。而参数 $\Phi$ 可以是初始化参数、网络架构、学习率等。

元学习其实已经被很多研究者所展开研究，而网上博客也是很多，因此关于元学习的内容就概述到这里。下面主要记录本博客的重点：支持集和查询集的概念。

二、支持集和查询集

在说支持集和查询集之前，这里再提一点关于元学习训练任务和测试任务的概念。训练任务就是说元学习里的训练数据，而测试任务就是说元学习的测试数据。其中，训练任务和测试任务中的任务是相似的。例如，训练任务中包括两个任务：①分类苹果和梨子，②分类自行车和小车；测试任务中包括一个训练任务：③分类猫和狗。其中，①②③都是二分类任务，它们是相似的。支持集和查询集的划分，无论是训练任务还是测试任务，都需要划分支持集和查询集，例如：

①苹果梨子二分类任务中，包含的数据集被划分为支持集S1和查询集Q1；

②自行车小车二分类任务中，包含的数据集被划分为支持集S2和查询集Q2；

③猫狗二分类任务中，包含的数据集被划分为支持集S3和查询集Q3。

为了更好地理解支持集和查询集，举一个元学习的例子：假设我们想要通过任务①和任务②来学习一个模型的初始化参数，然后通过任务③（当然这个任务③不一定是猫狗二分类，也可以是其他二分类问题）来微调参数，进而得到一个快速适用于任务③的模型。对于任务①和任务②，其中的支持集S1和S2主要用来学习初始化参数，而支持集Q1和Q2主要用来增加初始化参数的泛化性。对于任务③，其中的支持集主要用来微调初始化参数，而其中的查询集是用来测试最终模型的性能的。

三、训练集|验证集|测试集 VS 支持集|查询集

共同点：训练集|验证集|测试集，这三个集合之间互不相交，而支持集|查询集也互不相交。

不同点：训练集|验证集|测试集要从围绕模型来考虑这三者的作用，训练集用来学习模型的参数，验证集用于模型的选择，测试集用于模型的评估。支持集|查询集要围绕任务来考虑这两者的作用，训练任务中的支持集和查询集都是用于模型参数的学习，而测试任务的支持集是用于模型参数的学习、查询集用于模型的评估。

四、结束语

其实本人也是刚刚进入元学习这个领域，对于元学习这个东西，我是懵之又懵。对于学会学习这个东西，我是懵之更懵。备注：上述内容仅是我学习的个人笔记，如果有和你想的不对的地方，欢迎提出来探讨探讨。

五、参考文献

彭慧民：元学习基础与应用[M]

Finn Chelsea, Pieter Abbeel, and Sergey Levine：Model-agnostic meta-learning for fast adaptation of deep networks