近日，实验室2020级博士生王任一篇论文“SNIP-FSL: Finding Task-Specific Lottery Jackpots for Few-Shot Learning”（作者：王任，孙皓亮，聂秀山，尹义龙）被中科院一区期刊Knowledge-Based Systems (KBS) 录用。KBS是人工智能领域的国际性交叉学科期刊，该期刊专注于基础知识和基于其他人工智能技术的研究，发表该领域的原创、创新和创造性成果。KBS属于中科院SCI期刊分区计算机科学类一区期刊。

元学习（Meta-Learning）旨在利用从大量任务中学习到的经验，快速处理未见过的新任务，被广泛应用于小样本学习和强化学习场景。大多数现有方法致力于改进元学习模型捕捉更多任务级别的经验，而忽略了其在资源受限环境中的实际部署。为此，本研究提出了一种非结构化网络剪枝方法SNIP-FSL，能够从训练好的元模型中识别出特定于任务的网络参数（称为“中奖彩票”）。这些参数构成的子网络极大地减小了存储和计算开销且几乎保留了完整模型的性能，可以被轻松地迁移到资源受限场景中。在几个具有代表性的数据集上的实验表明，我们的方法能够高效处理大多数元学习和迁移学习模型，在不影响分类精度的前提下，最高节省80%的存储空间。