2.5　元學習方法的比較

元學習方法的流派眾多，最早提出元學習是作為General AI的概念，讓機器實現自我更新，這與讓機器學會學習是類似的想法。不同方法的比較主要體現在它們的實際應用不同，適用于不同的問題和情形。目前，人工智能的發展滲透到各行各業，處處體現出人工智能技術的實用價值。大部分元學習方法都適用于小樣本高維輸入數據集的分析，可以通過小樣本圖片分類精度來對這些方法進行表現對比。然而這些元學習方法不僅適用于小樣本學習，還適用于使用大量有標注數據的深度學習問題，能提高深度學習模型的泛化能力。表2.1給出了不同元學習框架下解決問題思路的總結，不同的思路適用于解決不同類型的實際問題，在讀者遇到實際問題時，可根據這些思路選擇適合自己的元學習模型。正如筆者在遇到具有長程相關性的小樣本時間序列預測問題時，選用了LR-D2[15]和Meta-LSTM[16]組合模型來進行小樣本時間序列預測。邏輯回歸作為基礎學習器，可用來對小樣本時間序列的預測進行建模，邏輯回歸作為基礎學習器，LSTM可以考慮時間序列中的長程相關性和任務之間的復雜相似性，LSTM作為元學習器，來對問題進行分析。

表2.1　元學習框架總結

續表

元學習思想廣泛，不止表格中列出的這些，讀者可以持續關注，元學習是正熱門的研究領域，會有更多新方法涌現出來。元學習的基礎思想可以混搭組合、靈活多變，適用于許多實際問題的解決，可在不降低模型精度的情況下，提高模型的泛化能力，從而讓模型額外獲得在泛化能力上更好的表現。元學習致力于讓機器達成更高的智能，實現更深程度的自動化和智能化，以此改進現有模型的效果。