В чем различия между meta learning и transfer learning?
Я прочитал 2 статьи о Quora и TowardDataScience .
Мета-обучение - это часть теории машинного обучения, в которой некоторые алгоритмы применяются к метаданным по делу, чтобы улучшить процесс машинного обучения. Метаданные включают свойства используемого алгоритма, само учебное задание и т. Д. c. Используя метаданные, можно лучше принять решение о выбранном алгоритме (-ах) обучения для более эффективного решения проблемы.
и
Трансферное обучение направлено на улучшение процесс изучения новых задач с использованием опыта, полученного при решении предшествующих задач, которые несколько схожи. На практике большую часть времени модели машинного обучения разрабатываются для выполнения sh одной задачи. Однако, как люди, мы используем наш прошлый опыт не только для повторения той же задачи в будущем, но и для обучения совершенно новым задачам. То есть, если новая проблема, которую мы пытаемся решить, похожа на некоторые из нашего прошлого опыта, нам станет легче. Таким образом, с целью использования того же подхода к обучению в машинном обучении, трансферное обучение включает в себя методы для передачи прошлого опыта по одной или нескольким исходным задачам и использует его для ускорения обучения в связанной целевой задаче.
Сравнения все еще смущают меня, так как оба, похоже, имеют много общего в плане повторного использования. Говорят, что Meta learning является «моделью агностии c», однако в нем используются метаданные (гиперпараметры или веса) из ранее изученных задач. То же самое происходит с transfer learning, поскольку может частично использовать обученную сеть для решения связанных задач. Я понимаю, что есть еще много вопросов для обсуждения, но в целом я не вижу особой разницы между ними.
Люди также используют такие термины, как meta-transfer learning, что заставляет меня думать, что оба типа обучения имеют сильную связь друг с другом.