Learning with Limited Samples: Meta-Learning and Applications to Communication Systems
A mélytanulás figyelemre méltó sikereket ért el számos gépi tanulási feladatban, például a képosztályozásban, a beszédfelismerésben és a játékokban. Ezeket az áttöréseket azonban gyakran nehéz átültetni a valós világ mérnöki rendszereibe, mivel a mélytanulási modellekhez nagyszámú gyakorló mintára van szükség, amelyek megszerzése a gyakorlatban költséges.
A címkézett adatok szűkösségének kezelése érdekében a néhány lövéses metatanulás olyan tanulási algoritmusokat optimalizál, amelyek hatékonyan és gyorsan alkalmazkodnak az új feladatokhoz. Bár a meta-tanulás jelentős érdeklődésre tart számot a gépi tanulási szakirodalomban, működési elvei és elméleti alapjai a mérnöki közösségben nem annyira ismertek. Ez az áttekintő monográfia bevezetést nyújt a meta-tanulásba az elvek, algoritmusok, elmélet és mérnöki alkalmazások bemutatásával.
A meta-tanulásnak a hagyományos és a közös tanulással való összehasonlító bemutatása után ismertetésre kerülnek a főbb meta-tanulási algoritmusok, valamint egy általános kétszintű optimalizálási keretrendszer a meta-tanulási technikák meghatározásához. Ezután összefoglaljuk a meta-tanulás általánosítási képességeire vonatkozó ismert eredményeket a statisztikai tanulás szempontjából.
Ezután a kommunikációs rendszerekre, köztük a dekódolásra és a teljesítményelosztásra vonatkozó alkalmazások kerülnek tárgyalásra, majd a metatanulás és a feltörekvő számítástechnikai technológiák, nevezetesen a neuromorfikus és a kvantumszámítástechnika integrációjával kapcsolatos szempontok bemutatása következik. A monográfia a nyitott kutatási kihívások áttekintésével zárul.