Meta Learning ＆ Few-shot Learning(元學習VS小樣本學習)

一、Meta Learning：元學習，learn to learn

　　讓機器學會如何學習，即讓機器學習自己調整模型中的超引數。

　　在傳統機器學習中，輸入的是樣本，損失函式是在訓練集資料上得到的。主要工作是讓訓練集上的損失函式越來越小，從而提高在測試集上的識別率。

圖1：元學習模型

　　在元學習中，輸入的是Training task（任務），得到的是選引數方法F，然後用這種方法應用到Testing-Task上，得到損失函式的方法如下：用F應用到Testing-Task中的訓練集上，得到模型model，然後將這種模型應用到Testing-Task中的測試上，用測試集的偏差來描述損失函式。

二、Few-shot Learning：小樣本學習

　　小樣本學習與元學習的原始目的並不相同，小樣本學習的目的是使用少數訓練資料得到理想的結果，但這種演算法往往不是人能夠直接構造的，因此經常使用元學習的方法得到這種演算法。

簡單來說，元學習的目的是讓機器人得到理想演算法的演算法，並不侷限於小樣本的場景；而小樣本學習的目的是得到理想的演算法，應用於原始資料不足的場景。