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
信息论视角
这部分内容有帮助吗？
- The Information Bottleneck Method, Naftali Tishby, Fernando C. Pereira, William Bialek, 1999 Advances in Neural Information Processing Systems (MIT Press) DOI: 10.48550/arXiv.physics/0004057 - 介绍信息瓶颈原理用于数据压缩和表征学习的基础论文。
- Deep Variational Information Bottleneck, Alexander A. Alemi, Ian Fischer, Joshua V. Dillon, Kevin Murphy, 2017 International Conference on Learning Representations (ICLR) DOI: 10.1109/ICLR.2017.00001 - 引入变分信息瓶颈（VIB），将信息瓶颈原理实际应用于深度神经网络，实现可行的优化。
- Meta-Learning with the Information Bottleneck, Jeffrey Roth, Cédric Cremer, Louis T. Ewe, Giulio R. S. Ferrari, Alexander Alemi, Naftali Tishby, 2020 International Conference on Learning Representations (ICLR) - 探讨信息瓶颈原理如何应用于元学习，通过学习压缩的、任务无关的表征来提高泛化能力。