Meta-Lernen ist ein Bereich des maschinellen Lernens, der darauf abzielt, Algorithmen zu entwickeln, die aus vielen Lernaufgaben lernen, um schneller neue Aufgaben zu meistern.
Dabei wird nicht nur ein Modell trainiert, sondern eine Lernstrategie, die sich an neue Daten effizient anpasst.
Typische Ansätze umfassen Model-Agnostic Meta-Learning (MAML), bei dem ein Modell so initialisiert wird, dass es mit wenigen Updates gute Leistung auf neuen Aufgaben zeigt.
Meta-Lernen kann in Bereichen wie Few-Shot Learning oder Transfer Learning eingesetzt werden, um mit wenig Trainingsdaten gute Ergebnisse zu erzielen.
Die Herausforderung liegt darin, eine Balance zwischen Generalisierung über Aufgaben und schnelle Anpassung an neue Daten zu finden.