2.5　元学习方法的比较

元学习方法的流派众多，最早提出元学习是作为General AI的概念，让机器实现自我更新，这与让机器学会学习是类似的想法。不同方法的比较主要体现在它们的实际应用不同，适用于不同的问题和情形。目前，人工智能的发展渗透到各行各业，处处体现出人工智能技术的实用价值。大部分元学习方法都适用于小样本高维输入数据集的分析，可以通过小样本图片分类精度来对这些方法进行表现对比。然而这些元学习方法不仅适用于小样本学习，还适用于使用大量有标注数据的深度学习问题，能提高深度学习模型的泛化能力。表2.1给出了不同元学习框架下解决问题思路的总结，不同的思路适用于解决不同类型的实际问题，在读者遇到实际问题时，可根据这些思路选择适合自己的元学习模型。正如笔者在遇到具有长程相关性的小样本时间序列预测问题时，选用了LR-D2[15]和Meta-LSTM[16]组合模型来进行小样本时间序列预测。逻辑回归作为基础学习器，可用来对小样本时间序列的预测进行建模，逻辑回归作为基础学习器，LSTM可以考虑时间序列中的长程相关性和任务之间的复杂相似性，LSTM作为元学习器，来对问题进行分析。

表2.1　元学习框架总结

续表

元学习思想广泛，不止表格中列出的这些，读者可以持续关注，元学习是正热门的研究领域，会有更多新方法涌现出来。元学习的基础思想可以混搭组合、灵活多变，适用于许多实际问题的解决，可在不降低模型精度的情况下，提高模型的泛化能力，从而让模型额外获得在泛化能力上更好的表现。元学习致力于让机器达成更高的智能，实现更深程度的自动化和智能化，以此改进现有模型的效果。