MAML 何时表现最佳？模型无关元学习在 NLP 应用中的实证研究
计算与语言
2024-04-25 v2
摘要
模型无关元学习（Model-Agnostic Meta-Learning, MAML）作为一种模型无关的元学习方法，已成功应用于少样本文本分类和多领域低资源语言生成等 NLP 任务。数据量、任务间相似性以及通用语言模型与任务特定适配之间的平衡等诸多影响因素，均可能影响 MAML 在 NLP 中的性能，但鲜有工作对其进行深入研究。本文通过实证研究探讨这些影响因素，并基于实验结果总结出 MAML 表现最佳的条件。
引用
@article{arxiv.2005.11700,
title = {When does MAML Work the Best? An Empirical Study on Model-Agnostic Meta-Learning in NLP Applications},
author = {Zequn Liu and Ruiyi Zhang and Yiping Song and Wei Ju and Ming Zhang},
journal= {arXiv preprint arXiv:2005.11700},
year = {2024}
}