概念Model-Agnostic Meta-Learning
MAML
模型无关元学习算法，通过学习一个能被少量样本快速微调的初始化参数空间，使模型具备快速适应新任务的能力
核心事实
时间轴 (近 90 天)
9月1日
孪生网络通过学习样本间的相似度度量进行分类，原型网络为每个类别计算原型表示进行匹配，MAML通过元学习使模型快速适应新任务
待验证50%
全部知识事实 (5)
已验证
MAML（Model-Agnostic Meta-Learning）试图学习一个能被少量样本快速微调的初始化参数空间
80%已验证MAML的核心创新在于寻找一个对梯度更新高度敏感的初始化参数点，使模型只需少量梯度步骤就能适应新任务
70%待验证典型的元学习方法包括基于优化的方法（如MAML）、基于度量的方法（如原型网络）和基于模型的方法
90%待验证小样本学习（Few-Shot Learning）的主流方法包括基于度量学习的Siamese Network、基于元学习的MAML，以及结合预训练大模型的提示微调
85%待验证孪生网络通过学习样本间的相似度度量进行分类，原型网络为每个类别计算原型表示进行匹配，MAML通过元学习使模型快速适应新任务
50%