Meta-LernenEin Teilgebiet des maschinellen Lernens, in dem automatisierte Lernalgorithmen auf Metadaten von maschinellen Lernexperimenten angewendet werden.

Der Kern des Meta-Lernens ist der „Lern-(Trainings-)Prozess“, bei dem es darum geht, zu untersuchen, wie Neuronen altes Wissen sinnvoll nutzen können, damit sie sich an neue Aufgaben anpassen können. Das schematische Diagramm sieht wie folgt aus:

• Anfangsparameter des neuronalen Netzwerks (blau ■);
• Optimiererparameter (rosa ★).

Es gibt zwei Hauptteile im Diagramm, die trainiert werden müssen:

• Mit dem Wort „Modell (M)“ bezeichnen wir unser bisheriges neuronales Netz, das nun auch als Low-Level-Netz verstanden werden kann. Die Gewichte des Modells werden in der Abbildung durch ■ dargestellt.
• Wir verwenden den Begriff „Optimierer (O)“ oder „Meta-Lerner“, um uns auf das High-Level-Modell zu beziehen, das zum Aktualisieren der Gewichte der Low-Level-Netzwerke verwendet wird. Die Gewichte des Optimierers werden in der Abbildung durch ★ dargestellt.

Verweise

【1】Meta-Learning von Grund auf verstehen (Maschinelles Denken)

【2】Metalernen (Informatik) (Wikipedia)

【3】Verständnis von „Meta-Learning“ (CSDN-Blog)