元学习：基础与应用

封面

版权信息

内容简介

前言

1 元学习概述

1.1 研究背景

1.2 元学习的起源

1.3 近期发展

2 元学习框架

2.1 元学习研究常用数据集

2.2 定义任务

2.3 元学习训练框架

2.4 元学习方法分类

2.5 元学习方法的比较

3 元学习神经网络方法

3.1 神经网络

3.2 卷积神经网络

3.3 残差网络

3.4 元学习神经网络模型

3.5 自动化机器学习

3.6 总结

4 基于度量的元学习方法

4.1 基于度量的学习

4.2 注意力模型

4.3 记忆模块

4.4 SNAIL算法

4.5 Relation Network算法

4.6 Prototypical Network算法

4.7 TADAM算法

4.8 Dynamic Few-Shot算法

4.9 mAP算法

4.10 总结

5 基础学习器和元学习器结合的元学习方法

5.1 基础学习器

5.2 元学习器

5.3 MAML算法

5.4 Reptile算法

5.5 循环神经网络

5.6 RNN元学习算法

5.7 Meta-LSTM算法

5.8 R2D2算法

5.9 LR2D2算法

5.10 MetaOptNet算法

5.11 Transductive Propagation Network算法

5.12 Latent Embedding Optimization算法

6 贝叶斯思想下的元学习方法

6.1 Bayesian Program Learning算法

6.2 Neural Statistician算法

6.3 LLAMA算法

6.4 BMAML算法

6.5 PLATIPUS算法

6.6 VERSA算法

7 元学习的应用场景

7.1 元迁移学习

7.2 元强化学习

7.3 元模仿学习

7.4 在线元学习

7.5 无监督元学习

8 元强化学习

8.1 强化学习

8.2 基于MAML的元强化学习

8.3 GrBAL算法

9 元模仿学习

9.1 模仿学习

9.2 MAML算法用于元模仿学习

9.3 MetaMimic算法

10 在线元学习

10.1 在线学习

10.2 FTML算法

11 无监督元学习

11.1 无监督学习