MetaAge: Meta-Lernen personalisierter Altersschätzer

Menschen altern auf unterschiedliche Weise. Die Entwicklung eines personalisierten Alterschätzers für jede einzelne Person stellt aufgrund der besseren Modellierung der Individualität des Alterungsprozesses einen vielversprechenden Ansatz für die Altersschätzung dar. Allerdings leiden die meisten bestehenden personalisierten Methoden unter dem Mangel an großskaligen Datensätzen, bedingt durch hohe Anforderungen: Identitätslabels sowie ausreichend viele Aufnahmen pro Person, um langfristige Alterungsverläufe zu erfassen. In diesem Artikel zielen wir darauf ab, personalisierte Alterschätzer ohne diese Voraussetzungen zu lernen, und stellen einen Meta-Learning-Ansatz namens MetaAge für die Altersschätzung vor. Im Gegensatz zu den meisten etablierten personalisierten Methoden, die für jede Person im Trainingsdatensatz die Parameter eines personalisierten Schätzers lernen, lernt unsere Methode die Abbildung von Identitätsinformationen auf die Parameter von Alterschätzern. Konkret führen wir einen personalisierten Schätzer-Meta-Learner ein, der Identitätsmerkmale als Eingabe erhält und die Parameter maßgeschneiderter Schätzer ausgibt. Auf diese Weise lernt unsere Methode Meta-Wissen ohne die oben genannten Anforderungen und transferiert dieses erlernte Meta-Wissen nahtlos auf die Testmenge, wodurch wir bestehende großskalige Altersdatensätze ohne zusätzliche Annotationen nutzen können. Umfangreiche Experimente an drei Benchmark-Datensätzen – inklusive MORPH II, ChaLearn LAP 2015 und ChaLearn LAP 2016 – zeigen, dass MetaAge die Leistung bestehender personalisierter Methoden erheblich steigert und die derzeit besten Ansätze übertrifft.