元学习近期进展的综合概述与综述
机器学习
2020-10-27 v7 机器学习
摘要
本文综述了亦称学会学习的元学习，其寻求对未见过任务的快速且准确的模型适配，应用于高度自动化 AI、少样本学习、自然语言处理与机器人学。与深度学习不同，元学习可应用于少样本高维数据集，并考虑进一步提升模型对未见过任务的泛化能力。深度学习聚焦于样本内预测，而元学习关注面向样本外预测的模型适配。元学习可持续进行自我改进以实现高度自主 AI。元学习可作为对原始深度学习模型的额外泛化模块补充。元学习寻求机器学习模型对与训练任务差异巨大的未见过任务的适配。智能体与环境协同进化的元学习为从零训练无法解决的复杂任务提供了方案。元学习方法论涵盖广泛的思想与思路。我们简要介绍以下类别的元学习方法论：黑盒元学习、基于度量的元学习、分层元学习和贝叶斯元学习框架。近期应用集中于元学习与其他机器学习框架的整合以提供可行的集成问题解决方案。我们简要介绍元学习近期进展并讨论潜在未来研究方向。
引用
@article{arxiv.2004.11149,
title = {A Comprehensive Overview and Survey of Recent Advances in Meta-Learning},
author = {Huimin Peng},
journal= {arXiv preprint arXiv:2004.11149},
year = {2020}
}