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
隐式MAML (iMAML)
这部分内容有帮助吗？
- Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks, Chelsea Finn, Pieter Abbeel, Sergey Levine, 2017 Proceedings of the 34th International Conference on Machine Learning, Vol. 70 (PMLR) DOI: 10.48550/arXiv.1703.03400 - 介绍了模型无关元学习 (MAML) 的基础论文，iMAML 旨在改进其方法。
- Meta-Learning with Implicit Gradients, Aravind Rajeswaran, Chelsea Finn, Sham Kakade, Sergey Levine, 2019 Advances in Neural Information Processing Systems (NeurIPS), Vol. 32 (Neural Information Processing Systems Foundation, Inc. (NeurIPS)) DOI: 10.48550/arXiv.1909.04630 - 引入了隐式元学习 (iMAML)，作为 MAML 的高效替代方案，利用隐式微分避免了显式 Hessian 计算。
- Optimizing Millions of Variables by Implicit Differentiation, Prashant Donti, Brandon Amos, J. Zico Kolter, 2020 International Conference on Machine Learning (ICML), Vol. 119 (Proceedings of Machine Learning Research) DOI: 10.48550/arXiv.2002.06206 - 提供了一个通过隐式微分优化高维问题的扩展框架，与 iMAML 中使用的计算技术高度相关。
- A Survey of Meta-Learning, Joaquin Vanschoren, 2018 arXiv preprint arXiv:1810.03548 DOI: 10.48550/arXiv.1810.03548 - 一篇全面的综述，提供了元学习技术（包括基于梯度的方法及其发展）的概览。