Meta-learning aims to learn a model that can handle multiple tasks generated from an unknown but shared distribution. However, typical meta-learning algorithms have assumed the tasks to be similar such that a single meta-learner is sufficient to aggregate the variations in all aspects. In addition, there has been less consideration on uncertainty when limited information is given as context. In this paper, we devise a novel meta-learning framework, called Meta-learning Amidst Heterogeneity and Ambiguity (MAHA), that outperforms previous works in terms of prediction based on its ability on task identification. By extensively conducting several experiments in regression and classification, we demonstrate the validity of our model, which turns out to be robust to both task heterogeneity and ambiguity.
메타 학습의 목표는 특정 분포에서 생성 된 여러 테스크를 처리할 수있는 모델을 학습하는 것이다. 그러나 이전의 메타 학습 알고리즘은 테스크들이 서로 유사하다고 가정함으로써 단일 메타 학습자가 모든 변주에 충분한 대응 가능한 환경에서 주로 검증이 이루어졌다. 또한, 제한된 정보로 테스크에 대한 추론이 이루어져야할 때 발생하는 불확실성에 대한 고려가 적었다. 이 논문에서는 테스크 식별 능력을 기반으로 예측 측면에서 선행 연구를 능가하는 MAHA (Meta-learning Amidst Heterogeneity and Ambiguity)라는 새로운 메타 학습 프레임 워크를 제안한다. 회귀 및 분류에 대한 여러 실험을 광범위하게 수행하여 모델의 타당성을 입증하였으며, 이질성과 모호성 모두에 강건함을 확인하였다.