초록
효율적인 학습자는 이미 알고 있는 지식을 재사용하여 새로운 문제를 해결하는 사람을 의미합니다. 기계 학습자에게 이는 데이터셋 간의 유사성을 이해하는 것을 의미합니다. 이를 위해, 데이터셋이 아니라 데이터 포인트를 주요 모델링 대상으로 다루는 개념에 대해 진지하게 고려해야 합니다. 이러한 목표를 달성하기 위해, 우리는 비지도 방식으로 데이터셋의 표현 또는 통계를 계산하는 방법을 학습할 수 있는 변분 오토인코더의 확장을 시연합니다. 네트워크는 각 데이터셋에 대한 생성 모델을 요약하는 통계를 생성하도록 훈련됩니다. 따라서 이 네트워크는 비지도 및 지도 작업 모두에서 새로운 데이터셋으로부터 효율적으로 학습할 수 있도록 합니다. 우리는 클러스터링, 생성 모델의 전이학습, 데이터셋의 대표 샘플 선택, 그리고 이전에 본 적 없는 클래스 분류 등에 사용할 수 있는 통계를 학습할 수 있음을 보여줍니다. 우리의 모델을 신경통계학자(Neural Statistician)라고 부르며, 이는 비지도 없이 데이터셋의 요약 통계를 계산할 수 있는 신경망을 의미합니다.