학습 방법을 배우는 것: 메타 학습을 사용한 자가 적응 시각적 탐색

학습은 본질적으로 연속적인 현상입니다. 인간이 새로운 작업을 배울 때는 학습과 추론 사이에 명시적인 구분이 없습니다. 작업을 수행하면서 그 작업에 대해 계속 배우게 됩니다. 우리가 배우는 내용과 방법은 학습의 다양한 단계에서 달라집니다. 이러한 학습 방식과 적응 능력은 우리에게 새로운 환경에 쉽게 일반화할 수 있는 중요한 특성을 제공합니다. 이는 기계 학습의 전통적인 환경과 대조되는데, 여기서는 훈련된 모델이 추론 시점에서는 고정됩니다. 본 논문에서는 시각적 탐색의 맥락에서 훈련 시간과 테스트 시간 모두에서 학습하는 방법을 연구합니다. 탐색의 근본적인 도전 과제 중 하나는 미처 보지 못한 장면으로의 일반화입니다. 본 논문에서는 어떠한 명시적인 감독 없이 새로운 환경에 적응할 수 있는 자기 적응형 시각 탐색 방법(self-adaptive visual navigation method, SAVN)을 제안합니다. 우리의 해결책은 에이전트가 효과적인 탐색을 유도하는 자기 지도 상호작용 손실 함수를 학습하도록 하는 메타 강화학습 접근법입니다. AI2-THOR 프레임워크에서 수행한 실험 결과, 새로운 장면에서의 시각적 탐색 성공률과 SPL(Successful Path Length)에서 크게 개선된 것으로 나타났습니다. 우리의 코드와 데이터는 다음 주소에서 확인 가능합니다: https://github.com/allenai/savn .