Мета-обучение — это область машинного обучения, которая направлена на разработку алгоритмов, способных учиться на множестве учебных задач, чтобы быстрее справляться с новыми задачами.
При этом обучается не просто модель, а стратегия обучения, которая эффективно адаптируется к новым данным.
Типичные подходы включают Model-Agnostic Meta-Learning (MAML), при котором модель инициализируется таким образом, чтобы показывать хорошие результаты на новых задачах после нескольких обновлений.
Мета-обучение может применяться в таких областях, как обучение с малым количеством примеров (Few-Shot Learning) или перенос обучения (Transfer Learning), чтобы получать хорошие результаты при ограниченном объёме обучающих данных.
Основная задача — найти баланс между обобщением по задачам и быстрой адаптацией к новым данным.