元学习——Meta-Learning in Neural Networks: A Survey
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
这篇博文是对“Meta-Learning in Neural Networks: A Survey”的阅读理解与总结，此文综述了元学习的最新研究进展，对元学习初学者了解此领域有极大的参考价值。
近年来，人们对元学习的兴趣急剧上升。与传统的Al方法不同，元学习的目的是改进学习算法本身，考虑到多个学习阶段的经验。这个范例提供了一个机会来解决深度学习的许多传统挑战，包括数据和计算瓶颈，以及泛化。本文描述了当代元学习的研究现状。首先讨论了元学习的定义，并在迁移学习和超参数优化等相关领域对元学习进行了定位。然后，提出一个新的元学习分类，提供了一个更全面的细分空间的元学习方法。此文还总结了元学习的一些有前途的应用和成功之处，例如小样本学习和强化学习。最后讨论了突出的挑战和未来研究的前景。
1. 元学习形式化定义——从数据到任务
2. 元学习与其他相关领域的比较
3. 元学习分类及现有论文总结
4. 元学习应用、挑战与开放性问题
5. 元强化学习
6. 参考文献
[1] Hospedales, T. M., Antoniou, A., Micaelli, P., & Storkey, A. J. Meta-learning in neural networks: a survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021.
[2] 荐读 Meta-Learning in Neural Networks: A survey. 知乎 - Flood Sung- https://zhuanlan.zhihu.com/p/133159617
