让机器学会如何学习,即让机器学习自己调整模型中的超参数。
在传统机器学习中,输入的是样本,损失函数是在训练集数据上得到的。主要工作是让训练集上的损失函数越来越小,从而提高在测试集上的识别率。
图1:元学习模型
在元学习中,输入的是Training task(任务),得到的是选参数方法F,然后用这种方法应用到Testing-Task上,得到损失函数的方法如下:用F应用到Testing-Task中的训练集上,得到模型model,然后将这种模型应用到Testing-Task中的测试上,用测试集的偏差来描述损失函数。
小样本学习与元学习的原始目的并不相同,小样本学习的目的是使用少数训练资料得到理想的结果,但这种算法往往不是人能够直接构造的,因此经常使用元学习的方法得到这种算法。
简单来说,元学习的目的是让机器人得到理想算法的算法,并不局限于小样本的场景;而小样本学习的目的是得到理想的算法,应用于原始数据不足的场景。