metalärning

Metalärning, eller meta-lärande, är ett område inom maskininlärning som studerar hur modeller kan lära sig att lära. Målet är att bygga system som snabbt kan anpassa sig till nya uppgifter med begränsad data och utan omfattande omträning.

Problematiken fokuserar ofta på uppgifter där snabb anpassning till nya klasser eller miljöer behövs (few-shot learning) och där överföring mellan domäner är önskvärd. Antaget att uppgifterna genereras från en övergripande fördelning över uppgifter tränas modellen att läsa in ny information effektivt.

Metodmässigt delas metoderna in i tre huvudkategorier: optimeringsbaserad meta-lärning som lär initialiseringar eller snabbare optimizer-strategier; metrisk- eller avståndsbaserad meta-lärning som lär mått för likhet mellan exempel; och modellbaserad eller minnesförstärkt meta-lärning där modellen innehåller interna minnen eller komponenter för snabb anpassning.

Vanliga exempel är MAML (Model-Agnostic Meta-Learning), ProtoNet (Prototypiska Networks) och Reptile. Andra varianter inkluderar optimeringsbaserade meta-lärandestrukturer och minnesbaserade arkitekturer som effektiviserar inlärning från få exempel.

Användningar finns inom robotik, datorseende, naturlig språkbehandling, medicin och rekommendationssystem. Utvärdering fokuserar på hur snabbt och robust modellen anpassar sig till osedda uppgifter med få etiketter.

Huvudutmaningar är generalisering till uppgifter som skiljer sig markant från träning, stabilitet i träningen, beräkningskostnader och datakrav samt tolkbarhet av vad som lärs.