Odborná definice
Odborná definice
Meta-learning je přístup, při kterém se systém neučí pouze jednu úlohu, ale využívá distribuci úloh na naučení strategie rychlé adaptace na nové zadání. Meta-objektív může optimalizovat inicializaci parametrů, pravidlo aktualizace, reprezentaci nebo mechanismus porovnávání příkladů. Během meta-tréninku se úlohy dělí na podporné a dotazovace data, aby se hodnotila schopnost přizpůsobit se z malého počtu příkladů. Výkon závisí na podobnosti meta-tréninkových a cílových úloh.
Srozumitelné vysvětlení
Srozumitelné vysvětlení
Místo toho, aby se model opakovaně učil každý nový problém od úplného začátku, trénuje na mnoha príbuzných problémoch a hledá společný způsob, jak se učit rychle. Při rozpoznávání může v každé epizóde dostat několik ukážok nových tříd a následně klasifikovat další obrázky. Model si tak neukladá pouze pevný seznam tříd, ale osvojí si užitočnou inicializaci nebo metriku podobnosti. Pokud je však nová úloha zásadne jiná než úlohy během meta-tréninku, slubovaná rychlá adaptace se nemusí projevit.
Časté otázky
Časté otázky
Jak se meta-learning liší od transfer learningu?
Transfer learning přenáší reprezentaci nebo váhy z jedné širšej úlohy. Meta-learning explicitně optimalizuje výkon po adaptaci na množině úloh.
Co je epizóda v meta-learningu?
Simulovaná malá úloha s vlastní podpornou sadou na adaptaci a dotazovacou sadou na vyhodnocení. Epizódy napodobňují budoucí few-shot použití.
Co znamená model-agnostic meta-learning?
MAML hledá inicializaci, ze které se model dokáže zlepšit niekolkými gradientnými krokmi. Metoda není viazaná na jednu konkrétní architekturu.
Potřebuje meta-learning mnoho úloh?
Obvykle potřebuje rozmanitou kolekci úloh, i když každá obsahuje málo příkladů. Málo podobných úloh může vést k meta-overfittingu.
Jak se při meta-učení ověřuje generalizace?
Cílové třídy nebo úlohy musí být oddělené od meta-tréninku. Jinak může model pouze rozpoznávat známé koncepty místo skutečné adaptace.
Související pojmy
Související pojmy
Zdroje a redakční stopa
Zdroje a redakční stopa
- Finn et al., Model-Agnostic Meta-Learning
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.