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
理论收敛性分析
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 (ICML), Vol. 70 (Proceedings of Machine Learning Research) DOI: 10.5555/3305890.3306001 - 介绍了 MAML 算法及其公式，为后续对其收敛性进行理论分析奠定了基础。
- On First-Order Meta-Learning Algorithms, Alex Nichol, Joshua Achiam, John Schulman, 2018 arXiv preprint arXiv:1803.02999 DOI: 10.48550/arXiv.1803.02999 - 提出了 Reptile 算法，一种一阶元学习方法，并讨论了其与 MAML 和多任务学习的联系，提供了对其收敛性的见解。
- iMAML: Implicit Model-Agnostic Meta-Learning, Aniruddha Rajeswaran, Chelsea Finn, Sanmi Koyejo, Sergey Levine, 2019 Advances in Neural Information Processing Systems (NeurIPS), Vol. 32 (NeurIPS) DOI: 10.5591/978-1-57753-441-2_7 - 介绍了 iMAML，一种元学习的隐式微分方法，通过避免对内循环步骤进行显式微分，提供了对其收敛性的理论见解。