Conceptmeta-learning / 学会学习
元学习
训练模型具备快速适应新任务或新分布的能力，而非直接存储所有知识，代表性方法包括MAML等，是持续学习的重要研究方向
Core Facts
Timeline (last 90 days)
Oct 4
零样本学习的实现通常依赖元学习和基于结构先验的泛化两种路径
Unverified50%
Oct 4
元学习路线的零样本能力本质上受限于训练时系统分布的覆盖范围，而结构先验路线在先验假设成立的系统类别上具有更强的外推性
Unverified50%
Sep 30
算法自发现是元学习的一个分支，让优化算法本身成为被学习的对象，通过与环境交互自动搜索生成更新规则
Unverified50%
Sep 5
域泛化要求模型在完全未见过目标域数据的情况下实现泛化，常用方法包括元学习、基于因果推理的不变特征学习、多源域数据增强
Unverified50%
Jul 17
MAML（Model-Agnostic Meta-Learning）试图学习一个能被少量样本快速微调的初始化参数空间
Verified80%
All Facts (5)
Verified
MAML（Model-Agnostic Meta-Learning）试图学习一个能被少量样本快速微调的初始化参数空间
80%Unverified零样本学习的实现通常依赖元学习和基于结构先验的泛化两种路径
50%Unverified元学习路线的零样本能力本质上受限于训练时系统分布的覆盖范围，而结构先验路线在先验假设成立的系统类别上具有更强的外推性
50%Unverified算法自发现是元学习的一个分支，让优化算法本身成为被学习的对象，通过与环境交互自动搜索生成更新规则
50%Unverified域泛化要求模型在完全未见过目标域数据的情况下实现泛化，常用方法包括元学习、基于因果推理的不变特征学习、多源域数据增强
50%