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
持续元学习
这部分内容有帮助吗？
- Continual Learning: A Review, German I. Parisi, Ronald Kemker, Jose L. Part, Christopher Kanan, and Stefan Wermter, 2019 Neural Networks, Vol. 119 (Elsevier) DOI: 10.1016/j.neunet.2019.08.012 - 全面回顾持续学习，涵盖灾难性遗忘和可塑性-稳定性困境等挑战，这些是持续元学习的基础。
- Meta-Experience Replay for Continual Learning, David Rolnick, Anirudh Goyal, Guillaume Bachman, Alessandro L. Pontes, Yoshua Bengio, 2019 Advances in Neural Information Processing Systems, Vol. 32 (NeurIPS) DOI: 10.5591/978-1-7138-0004-9 - 提出元经验回放，一种专门设计用于元学习环境中应对遗忘的回放技术。
- ANML: A Neuromodulated Meta-Learning Algorithm, Luise Zintgraf, Kuan-Chieh Han, Tuan Anh Le, Maximilian Springenberg, and Frank Hutter, 2020 Advances in Neural Information Processing Systems, Vol. 33 (NeurIPS) DOI: 10.5591/C02.2020-0584 - 详细介绍ANML（神经调制元学习算法），该方法使用神经调制实现持续元学习中的任务特定适应。