meta-læring
Meta-læring er en maskinlæringsteknik, hvor en model lærer at forbedre sin egen indlæringsproces på tværs af flere opgaver.
Kort fortalt
Meta-læring handler om at lære at lære – i stedet for at træne en model til én specifik opgave, træner man den til hurtigt at kunne tilpasse sig nye opgaver.
- Kategori
- teknik
- Niveau
- øvet
- Udtale
- ˈmeːtaˌlɛːʁeŋ
Betydninger
1- 1
En maskinlæringsteknik, hvor en model trænes på en distribution af opgaver for at optimere dens evne til at lære nye opgaver med få trin eller eksempler.
- Meta-læring anvendes ofte i few-shot klassifikation, hvor modellen skal genkende nye objekter efter kun at have set få billeder.
- I MAML-algoritmen initialiseres modelparametrene, så de let kan finjusteres til nye opgaver med få gradientopdateringer. — Model-Agnostic Meta-Learning (Finn et al., 2017)
Hvornår bruges det
Meta-læring bruges især i few-shot learning, hvor en model kun har adgang til få eksempler fra en ny opgave. Det er også centralt i reinforcement learning, hvor agenten skal generalisere på tværs af miljøer.
Oprindelse
Udtrykket 'meta-læring' kommer fra græsk 'meta-' (efter, ud over) og 'læring', og refererer til at lære på et højere niveau.