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
模型无关元学习 (MAML)
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: 10.5555/3305890.3306001 - 介绍了MAML算法及其数学公式，并展示了其在多个领域的有效性。
- Meta-Learning with Implicit Gradients, Aravind Rajeswaran, Chelsea Finn, Sham M. Kakade, Sergey Levine, 2019 Advances in Neural Information Processing Systems (NeurIPS), Vol. 32 (NeurIPS) DOI: 10.48550/arXiv.1909.04630 - 引入了隐式MAML (iMAML)，通过使用隐式微分进行元梯度计算，解决了标准MAML的计算挑战。
- CS 330: Multi-Task and Meta-Learning (Course Materials), Chelsea Finn, 2023 (Stanford University) - 提供了元学习算法的详细讲义和解释，包括对MAML的深度分析。