摘要

个体之间的衰老过程各不相同。鉴于衰老过程具有显著的个体差异性，为每个人构建个性化的年龄估计算法是一种极具前景的研究方向。然而，现有的大多数个性化方法受限于大规模数据集的缺乏，主要原因在于其对数据提出了较高要求：必须具备身份标签（identity labels），且每位个体需拥有足够多的样本以形成长期的衰老模式。针对这一问题，本文提出一种无需上述限制条件的个性化年龄估计算法——MetaAge，该方法基于元学习（meta-learning）框架。与大多数现有个性化方法在训练阶段为每个个体单独学习其专属估计算法参数不同，我们的方法学习的是从身份信息到年龄估计算法参数之间的映射关系。具体而言，我们设计了一种个性化估计算法的元学习器（personalized estimator meta-learner），其输入为个体的身份特征，输出则为定制化估计算法的参数。通过这种方式，我们的方法在无需大规模标注数据或个体长期样本的前提下，即可学习到通用的元知识（meta-knowledge），并可无缝迁移到测试集。这使得我们能够充分利用现有的大规模年龄数据集，而无需额外的人工标注。在三个基准数据集（MORPH II、ChaLearn LAP 2015 和 ChaLearn LAP 2016）上的大量实验结果表明，MetaAge显著提升了现有个性化方法的性能，并超越了当前最先进的技术水平。