Meta-Learning: Learning to Learn Fast

学完你能

• 说明元学习的问题定义，以及“把一个数据集当作一个样本”的训练思路
• 描述 few-shot N-way K-shot 分类中 support set 与 prediction batch 的作用
• 区分 metric-based、model-based、optimization-based 三类元学习方法的建模差异
• 解释基于度量的方法如何用核函数与嵌入相似度预测标签
• 对照“Common Approaches”表格写出三类方法对 P(y|x) 的不同建模形式

适合你吗

课程特点

内容侧重

按内容目录判断

练习与项目

文章为概念综述，阅读后可顺着 Reference 列出原论文继续精读；文中未提供配套代码或练习。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费节选可直接读到文章正文与目录，页面未出现付费墙或登录拦截。

内容覆盖

• Define the Meta-Learning Problem — A Simple View
• Define the Meta-Learning Problem — Training in the Same Way as Testing
• Define the Meta-Learning Problem — Learner and Meta-Learner
• Common Approaches
• Metric-Based — Convolutional Siamese Neural Network
• Metric-Based — Matching Networks
• Metric-Based — Relation Network
• Metric-Based — Prototypical Networks
• Model-Based — Memory-Augmented Neural Networks
• Model-Based — Meta Networks
• Model-Based — Fast Weights
• Optimization-Based — LSTM Meta-Learner
• Optimization-Based — MAML
• Optimization-Based — First-Order MAML
• Optimization-Based — Reptile
• Reference