متالرنیگ در یادگیری ماشین

Question

متالرنیگ (Meta-learning) که یادگیری فرآیند یادگیری (Learn to Learn) هم نامیده می شود از زیر شاخه های یادگیری ماشین است که هدف آن طراحی مدلی است که به سرعت و با تعداد کمی نمونه های آموزشی، مهارت های جدید را یاد بگیرد و با محیط های جدید تطبیق یابد.

یک مدل یادگیری ماشین خوب اغلب نیاز به تعداد زیادی نمونه های آموزشی دارد. اما انسان، مفاهیم و مهارت های جدید را به سرعت یاد می گیرد. مثلا یک کودک با چند بار دیدن گربه و پرنده می تواند انها را از هم تشخیص دهد. هدف متالرنینگ نیز یادگیری سریع و با تعداد کمی نمونه های آموزشی است. 

 

یک الگوریتم متالرنینگ می تواند سیستمی با ویژگی های زیر ایجاد کند:

• یادگیری سریعتر
• قابل تعمیم با وظایف گوناگون 
• قابل انطباق با تغییرات محیطی مانند یادگیری Reinforcement

اطلاعات بیشتر اطلاعات بیشتر

 

 

Answer 1

فرا یادگیری نوعی یادگیری ماشینی است که بر یادگیری نحوه یادگیری تمرکز دارد. این زیرشاخه‌ای از یادگیری ماشینی است که شامل مدل‌های آموزشی برای تطبیق سریع با وظایف جدید با استفاده از مقدار کمی داده است. هدف فرایادگیری این است که یک مدل را قادر سازد تا یاد بگیرد که چگونه یاد بگیرد، به طوری که بتواند کارهای جدید را با حداقل مثال ها و حداقل تنظیمات مدل را یاد بگیرد.

 

دو نوع اصلی فرا یادگیری وجود دارد:

 

فرایادگیری مبتنی بر مدل: مدل بر روی مجموعه ای از وظایف آموزش داده می شود و سپس روی یک کار جدید به دقت تنظیم می شود.

فرا یادگیری مبتنی بر بهینه سازی: مدل یک مقدار دهی اولیه یا بهینه ساز خوب را می آموزد که می تواند به سرعت با وظایف جدید سازگار شود.

فرایادگیری در حوزه های مختلفی از جمله بینایی کامپیوتری، پردازش زبان طبیعی و کنترل به کار گرفته شده است. برخی از مثال‌ها شامل آموزش یک مدل برای انطباق سریع با وظایف تشخیص شی جدید با تنظیم دقیق روی مجموعه‌ای کوچک از نمونه‌های برچسب‌گذاری شده، یا آموزش مدلی برای تطبیق سریع با وظایف کنترلی جدید با یادگیری یک مقداردهی اولیه مناسب برای پارامترهای مدل است.

 

به طور کلی، فرا یادگیری یک حوزه پژوهشی امیدوارکننده است که هدف آن توسعه مدل‌هایی است که می‌توانند سریع و کارآمد یاد بگیرند و به خوبی به کارهای جدید و دیده نشده تعمیم دهند.