趋近智
元学习与基础模型中的少样本适应
章节 1: 元学习基本原理回顾
元学习问题定义
元学习方法分类
元学习应用于基础模型的挑战
少量样本学习的评估方法
章节 2: 高级基于梯度的元学习
模型无关元学习 (MAML)
一阶MAML (FOMAML) 与 Reptile
隐式MAML (iMAML)
处理稳定性和梯度方差
基础模型的可扩展性考量
动手实践：实现 FOMAML 用于模型适应
章节 3: 进阶度量元学习
原型网络再探讨
关系网络在少样本学习中的应用
带有注意力机制的匹配网络
深度度量学习方法
高维嵌入的度量学习适配
实践：使用基础模型嵌入实现原型网络
章节 4: 元学习的优化视角
元学习作为双层优化
求解双层问题的算法
超参数优化间的关联
元学习初始化策略
理论收敛性分析
章节 5: 基础模型的少量样本适应策略
参数高效微调 (PEFT) 概述
基础模型适配器模块
低秩适配 (LoRA)
Prompt Tuning 和 Prefix Tuning
比较 PEFT 与 元学习 方法
混合适应策略
动手实践：使用LoRA适配基础模型
章节 6: 元学习实施的规模化
元梯度的计算挑战
内存优化技术
分布式元学习策略
高效的任务抽样与批处理
可扩展性的近似方法
可扩展实现的性能评测
章节 7: 进阶议题与理论考量
贝叶斯元学习方法
持续元学习
强化学习中的元学习
元学习中的泛化界限
信息论视角
待解决的问题与研究方向
少量样本学习的评估方法
这部分内容有帮助吗？
- Human-level concept learning through probabilistic program induction, Brenden M. Lake, Ruslan Salakhutdinov, Joshua B. Tenenbaum, 2015 Science, Vol. 350 (American Association for the Advancement of Science) DOI: 10.1126/science.aab3050 - 这篇基础性论文介绍了 Omniglot 数据集，展示了少样本学习能力，推广了从极少样本中学习的理念以及 N-way K-shot 任务的表述。
- Optimization as a Model for Few-Shot Learning, Sachin Ravi, Hugo Larochelle, 2017 International Conference on Learning Representations (ICLR) - 这篇论文因引入 miniImageNet 基准测试和元学习框架而广受认可，确立了元学习社区中 N-way K-shot 任务的通用评估实践。
- Meta-Dataset: A Dataset of Datasets for Learning to Learn from Few Examples, Vincent Triantafillou, Tyler Zhu, Kevin Han, Dian Peng, Andrei Bursuc, Frank Wood, Sergey Levine, Chelsea Finn, 2019 International Conference on Learning Representations (ICLR) - 引入了 Meta-Dataset，这是一个结合了多个数据集的挑战性基准测试，旨在促进在异构少样本学习场景中评估方法的稳健性，并超越单一数据集的评估。
- Generalizing from a Few Examples: A Survey on Few-Shot Learning, Yaqing Wang, Quanming Yao, James T. Kwok, Lionel M. Ni, 2020 ACM Computing Surveys, Vol. 53 (ACM) DOI: 10.1145/3386252 - 这篇全面综述对少样本学习方法进行了广泛概述，包括对评估协议、基准数据集以及各种领域中开放挑战的详细讨论。