Key points are not available for this paper at this time.
A capacidade de aprender e se adaptar continuamente a partir de experiências limitadas em ambientes é um marco importante no caminho para a inteligência. Neste artigo, enquadramos o problema da adaptação contínua na estrutura de aprender a aprender. Desenvolvemos um algoritmo de meta-aprendizado baseado em simples adequado para adaptação em cenários dinâmicos e adversariais. Além disso, projetamos um novo ambiente multiagente, RoboSumo, e definimos jogos de adaptação iterados para vários aspectos das estratégias de adaptação contínua. Demonstramos que o meta-aprendizado permite uma adaptação significativamente mais eficiente do que as linhas de base no regime de poucos exemplos. Nossos experimentos com uma população que aprende e compete sugerem que os meta-aprendizes são os mais aptos.
Al-Shedivat et al. (Terça,) estudaram esta questão.