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
超参数优化间的关联
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: 10.5555/3305890.3306016 - 介绍模型无关元学习 (MAML) 的基础论文，这是一种具有双层优化结构的梯度元学习算法。
- Gradient-Based Hyperparameter Optimization Through Reversible Learning, Dougal Maclaurin, David Duvenaud, and Ryan P. Adams, 2015 Proceedings of the 32nd International Conference on Machine Learning (ICML), Vol. 37 DOI: 10.1137/1.9781611974542.48 - 介绍了一种早期有效计算验证性能相对于超参数精确梯度的方法，这是梯度超参数优化的核心概念。
- Automated Machine Learning: Methods, Systems, Challenges, Frank Hutter, Lars Kotthoff, Joaquin Vanschoren, 2019 (Springer) DOI: 10.1007/978-3-030-05318-5 - 一本关于自动化机器学习 (AutoML) 各个方面的著作，其中包含关于超参数优化 (HPO) 方法的专门章节。
- Optimizing Millions of Hyperparameters by Implicit Differentiation, Fabian Pedregosa, 2016 Advances in Neural Information Processing Systems (NeurIPS), Vol. 29 DOI: 10.5555/3045390.3045470 - 探讨了如何应用隐式微分来优化大量超参数，并与元学习中的高维元参数进行了比较。