目录

Meta Learning vs Self-supervised Learning

• 自监督学习——找初始化的参数
• MAML 自动学出合适的参数

• MAML：不断的学初始化参数
• MAML的初始化参数来自BERT
  
  
• MAML：找出来的初始化参数能在训练任务上表现的很好
• BERT：自监督目标是不同的下游任务，使用了大量未标注的数据
• 二者结合可能会有更好的效果

Meta Learning vs Knowledge Distillation

• 老师模型不是最擅长教育学生模型的
  
• 老师模型和学生模型之间有gap
• 能让老师模型学习如何去教吗？可以通过meta learning实现这点

• 基于学生模型的损失，更新老师模型

Meta Learning vs Domain Adaptation

• 擅长解few-shot的题目
  

• target domain拿不到，就用之前的某个domain知识假设是target domain，然后进行训练。
  
• 所有的domain都来一遍，然后期望在新的domain上有好的表现
  

• Meta Learning可以用来进行不同任务的领域学习
• Meta Learning可能自身也需要领域适应

Meta Learning vs Life-long Learning

• 随着不断的进行，容易遗忘之前学到的知识

• 期待新的参数${\theta }^{\prime }$能在之前的数据集上表现也好
• 采用regularization来保持算法对两个数据集都表现较好
  
• 使用Meta Learning来避免产生灾难性遗忘
• 学会新的东西，也不会忘记旧的东西
  
• Meta Learning 也有可能遇到灾难性遗忘的问题