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
高维嵌入的度量学习适配
这部分内容有帮助吗？
- Prototypical Networks for Few-Shot Learning, Jake Snell, Kevin Swersky, Richard Zemel, 2017 Advances in Neural Information Processing Systems, Vol. 30 (NeurIPS) - 介绍原型网络，这是一种开创性的基于度量的元学习算法，常与基础模型的高维嵌入一起使用。
- Learning to Compare: Relation Network for Few-Shot Learning, Flood Sung, Yongxin Yang, Li Zhang, Tao Xiang, Philip H.S. Torr, Timothy M. Hospedales, 2018 2018 IEEE Conference on Computer Vision and Pattern Recognition - 介绍关系网络，这是一种元学习方法，通过学习非线性函数来计算嵌入之间的相似度分数，与改进距离度量策略相关。
- The Johnson-Lindenstrauss Lemma and its applications to data streams, Piotr Indyk, Rajeev Motwani, 1998 Proceedings of the thirtieth annual ACM symposium on Theory of computing (Association for Computing Machinery (ACM)) DOI: 10.1145/276698.276856 - 介绍约翰逊-林登施特劳斯引理的应用，为使用随机投影进行降维同时保留成对距离提供了理论基础。
- Revisiting Metric Learning for Few-Shot Image Classification, Wei-Yu Chen, Yen-Cheng Liu, Zsolt Kira, 2020 Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (IEEE) DOI: 10.1109/CVPRW50498.2020.00049 - 探讨少量样本分类中度量学习的实际问题，包括高维特征空间的影响以及L2归一化和精化度量学习等策略。