El meta-aprendizaje es un área del aprendizaje automático que tiene como objetivo desarrollar algoritmos que aprendan de muchas tareas de aprendizaje para dominar nuevas tareas más rápidamente.
No solo se entrena un modelo, sino una estrategia de aprendizaje que se adapta eficientemente a nuevos datos.
Los enfoques típicos incluyen el Meta-Aprendizaje Agnóstico al Modelo (MAML), en el que un modelo se inicializa de manera que con pocas actualizaciones muestre un buen rendimiento en nuevas tareas.
El meta-aprendizaje puede aplicarse en áreas como el aprendizaje con pocos ejemplos (Few-Shot Learning) o el aprendizaje por transferencia (Transfer Learning) para obtener buenos resultados con pocos datos de entrenamiento.
El desafío consiste en encontrar un equilibrio entre la generalización a través de tareas y la rápida adaptación a nuevos datos.