概念meta-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
核心事实
时间轴 (近 90 天)
10月14日
Physical RSI要求机器人不仅提升任务能力，还要改进'改进能力的元过程'，且该元学习策略能跨任务迁移。
待验证50%
10月10日
将记忆写入权重的技术路径主要探索方向包括持续微调、元学习以及参数高效微调方法如LoRA
待验证50%
10月4日
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
待验证50%
10月4日
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
待验证50%
9月30日
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
待验证50%
9月5日
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
待验证50%
全部知识事实 (8)
已验证
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%已验证面对高速迭代的模型能力，建立持续学习机制比一次性部署更具战略价值
65%待验证Physical RSI要求机器人不仅提升任务能力，还要改进'改进能力的元过程'，且该元学习策略能跨任务迁移。
50%待验证将记忆写入权重的技术路径主要探索方向包括持续微调、元学习以及参数高效微调方法如LoRA
50%待验证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%待验证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%待验证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%待验证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%