元学习

元学习与机器学习如图1 所示，机器学习的目标是要找一个函数f，这个函数可以是一个分类器，把几百张图片输入进去，分类器就告诉我们分类的结果。元学习一样是找一个函数，但它要找的是一个学习算法Fϕ∗，这个学习算法可以接受训练数据，然后输出一个分类器f。这个Fϕ∗ 将训练数据作为输入，它直接输出训练的分类结果f，这个f 就是我们想要的分类器。

【Deep Learning】Meta-Learning：训练训练神经网络的神经网络本文基于清华大学《深度学习》第12节《Beyond Supervised Learning》的内容撰写，既是课堂笔记，亦是作者的一些理解。

【博士每天一篇文献-综述】A survey on few-shot class-incremental learning阅读时间：2023-12-19年份：2024 作者：田松松，中国科学院半导体研究所；李璐思，老道明大学助理教授；李伟军，中国科学院半导体研究所AnnLab；期刊： Neural Networks 引用量：30 Tian S, Li L, Li W, et al. A survey on few-shot class-incremental learning[J]. Neural Networks, 2024, 169： 307-324. 是关于少量样本增量学习（Few-shot Class-Increm

Delving into Sample Loss Curve to Embrace Noisy and Imbalanced Data这篇论文：另外，这篇论文提供的源码结构混乱，复现难度较大。主要的工作也是基于meta-weight-net，创新的内容有限。但是，这篇文章在Introduction对long-tailed data + noisy labels问题的描述非常清晰。

机器学习——元学习在传统的机器学习中，模型被训练用于解决特定的任务。然而，当面对新的任务时，传统的机器学习模型通常需要重新训练或进行大量的调整。而元学习的思想是通过在多个任务上进行训练，使模型能够学习到一般化的学习规则或策略，从而在面对新任务时能够更快地学习和适应。

论文阅读笔记 | MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment文章链接：https://doi.org/10.48550/arXiv.2004.05508MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment

《Learning to Reweight Examples for Robust Deep Learning》笔记[1] 用 meta-learning 学样本权重，可用于 class imbalance、noisy label 场景。之前对其 (7) 式中 ϵ i , t = 0 \epsilon_{i,t}=0 ϵi,t=0（对应 Algorithm 1 第 5 句、代码 ex_wts_a = tf.zeros([bsize_a], dtype=tf.float32)）不理解：如果 ϵ \epsilon ϵ 已知是 0，那 (4) 式的加权 loss 不是恒为零吗？(5) 式不是优化了个吉而 θ ^ t + 1

论文精读：用于少样本目标检测的元调整损失函数和数据增强（Meta-tuning Loss Functions and Data Augmentation for Few-shot Object Detection）论文链接：Meta-Tuning Loss Functions and Data Augmentation for Few-Shot Object Detection

解决Few-shot问题的两大方法：元学习与微调Few-shot问题或称为Few-shot学习是希望能通过少量的标注数据实现对图像的分类，是元学习(Meta-Learning)的一种。

【学习笔记】元学习如何解决计算机视觉少样本学习的问题？目录1 计算机视觉少样本学习2 元学习3 寻找最优初始参数值方法：MAML3.1 算法步骤3.2 代码：使用MAML 和 FO-MAML、任务增强完成Few-shot Classification