Einfach erklärt
Meta‑Lernen heißt wörtlich „Lernen zu lernen“: Ein System übt nicht nur eine einzelne Aufgabe, sondern lernt wie man schnell und mit wenigen Beispielen neue, ähnliche Aufgaben lösen kann.
Ganz einfache Beispiele:
• Neues Tier nach wenigen Fotos: Das System hat schon viele Tieraufgaben geübt und kann sich rasch an eine neue Art anpassen.
• Lernstrategie statt feste Regeln: Statt eine feste Lösung zu speichern, lernt das System eine Methode, wie man Lösungen zügig findet (z. B. gute Startwerte oder clevere Schrittfolgen).
• Wahl des passenden Werkzeugs: Aus mehreren einfachen Modellen wählt das System schnell das richtige für die neue Aufgabe.
Professionelle Definition
Meta‑Lernen optimiert über eine Verteilung von Aufgaben (\mathcal{T}) eine Lernprozedur, sodass ein Basis‑Lerner nach wenigen Schritten/Beispielen auf eine neue Aufgabe (T\sim\mathcal{T}) adaptiert. Formal wird eine Meta‑Zielfunktion minimiert, die den Erfolg nach Adaption misst (häufig episodisches Training im (N)-way, (K)-shot‑Schema). Wichtige Klassen:
• Gradienten‑basierte Verfahren (z. B. MAML): Finde gemeinsame Startgewichte, von denen aus wenige Gradienten‑Schritte je Aufgabe gute Leistung bringen.
• Metrik‑basierte Verfahren (Matching/Prototypen): Lerne Einbettungen und Abstände; neue Beispiele werden per „Nähe“ zu Klassen‑Prototypen zugeordnet.
• Speicher‑/Optimierer‑basierte Verfahren: Ein Meta‑Netz lernt Aktualisierungsregeln oder verwaltet Gedächtnis, das schnelle Anpassung ermöglicht.
Meta‑Lernen wird u. a. für Few‑/One‑shot‑Lernen, Hyperparameter‑/Optimierer‑Lernen und schnelle Domänenanpassung genutzt.
Quellen
• Wikipedia – Meta‑learning (machine learning) (Überblick, Klassen von Methoden)
https://en.wikipedia.org/wiki/Meta-learning_(machine_learning)
• Hospedales et al. (2021) – Meta‑Learning in Neural Networks: A Survey (umfassender Überblick)
https://arxiv.org/abs/2004.05439
• Finn, Abbeel, Levine (2017) – Model‑Agnostic Meta‑Learning (MAML)
https://arxiv.org/abs/1703.03400
• Ravi & Larochelle (2017) – Optimization as a Model for Few‑Shot Learning (LSTM‑Meta‑Lerner)
https://openreview.net/pdf?id=rJY0-Kcll
• Snell, Swersky, Zemel (2017) – Prototypical Networks for Few‑Shot Learning (metrisches Meta‑Lernen)
https://arxiv.org/abs/1703.05175
https://arxiv.org/pdf/1703.05175