论文阅读笔记《MetAdapt: Meta-Learned Task-Adaptive Architecture for Few-Shot Classification》

核心思想

  本文提出一种基于神经网络结构搜索（NAS）的小样本学习算法（MetAdapt），整体的思路其实与直接解读过的一篇文章《Meta-Learning of Neural Architectures for Few-Shot Learning》非常相似，但在一些具体的实现方法上还是各有特色的。首先，作者也是采用了经典的可微分NAS算法DARTS对网络结构进行搜索；为了适应小样本学习任务，作者在此基础上提出了MetAdapt Controllers结构，用于调整每个操作的权重系数；最后，作者采用了两级训练的方式，依次对神经网络中的参数和神经网络的结构参数进行训练。
  DARTS进行神经网络结构搜索的过程，就是要构建一个有向无环图（DAG），图中的每个节点表示一组特征图，每个边表示一种操作（１＊１卷积，３＊３卷积，池化，跳跃连接等），每两个节点之间可能有不止一条边进行连接，每个边上的权重就表示这种操作的重要性，且两个节点之间每条边上的权重是经过归一化处理的,通过加权求和的形式得到一种混合操作(Mixed Operation)。节点$i$i和$j$j之间的混合操作计算方法如下式

$\mathcal{O}$O表示所有操作的集合, $\alpha_{o}^{(i,j)}$αo(i,j)​表示节点$i$i和$j$j之间操作$o$o对应的权重.为了适应小样本学习的需求，提高对于特定任务的自适应能力，作者设计了一个MetAdapt Controllers结构，用于修正每个边上的权重系数。直接搜索和自适应修正后的网络结构如下图所示

  MetAdapt Controllers结构的处理方法如下图所示

将每个Episode中支持集$S$S所包含所有样本对应的特征图$x_i^0,...,x_i^{|S|}$xi0​,...,xi∣S∣​，全部拼接起来构成一个$[S,D,M,M]$[S,D,M,M]维的张量，$D$D表示特征图的通道数，$M$M表示特征图的尺寸。经过全局平均池化后，将所有特征图压缩为一个值，得到$[S, D]$[S,D]维张量，接着利用带有ReLU**层的线性层将特征图通道数进行压缩，得到$[S, D_{bottleneck}]$[S,Dbottleneck​]维张量。最后将张量展开为$S·D_{bottleneck}$S⋅Dbottleneck​维的向量，经过一个线性层后输出权重调整值$\Delta\alpha^{(i,j)}$Δα(i,j)，将其与先前搜索得到的权重值$\hat{\alpha}$α^相加，就得到修正后的权重系数

实现过程

网络结构

  最原始结构采用ResNet-12，并且保持前3个残差块（ResNet-9）的结构不变，只对最后一个残差块的结构进行搜索。

训练策略

  本文不仅需要对神经网络中各个网络层中的参数$w$w进行训练，还需要对神经网络各个操作的权重参数$\alpha$α进行训练，如果同时对二者进行训练的话，会导致过拟合的问题。为了减轻过拟合问题，本文采用了两级迭代优化（bi-level iterative optimization）的训练方式。整个训练集分成两部分，一部分用于训练网络参数$w$w，另一部分用于训练权重参数$\alpha$α。首先利用SGD方式训练网络参数，过程如下

然后在此基础上再训练权重参数

创新点

• 利用NAS的方法寻找最优的网络结构
• 提出了MetAdapt Controllers结构用于修正不同操作的权重，提高对于小样本学习任务的适应能力
• 采用两级迭代优化的训练方式，缓解了过拟合的问题

算法评价

  本文与Meta NAS都采用了DARTS方法对网络结构进行搜索，不同的是Meta NAS算是是将其与MAML等元学习算法相结合，并且对两种参数（权重参数和网络参数）同时进行训练和优化。而本文提出的MetAdapt的算法，引入了权重修正结构，并且采用两级迭代优化的训练方式。根据实验结果来看，本文提出的算法是很有竞争力的，是目前为止，基于参数优化的小样本学习算法中，精度最高的。

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。