L'apprentissage méta est un domaine de l'apprentissage automatique qui vise à développer des algorithmes capables d'apprendre à partir de nombreuses tâches d'apprentissage afin de maîtriser plus rapidement de nouvelles tâches.
Il ne s'agit pas seulement d'entraîner un modèle, mais d'une stratégie d'apprentissage qui s'adapte efficacement aux nouvelles données.
Les approches typiques incluent le Model-Agnostic Meta-Learning (MAML), où un modèle est initialisé de manière à obtenir de bonnes performances sur de nouvelles tâches avec peu de mises à jour.
L'apprentissage méta peut être utilisé dans des domaines tels que le Few-Shot Learning ou le Transfer Learning pour obtenir de bons résultats avec peu de données d'entraînement.
Le défi consiste à trouver un équilibre entre la généralisation à travers les tâches et une adaptation rapide aux nouvelles données.