【小样本基础】元学习（Meta Learning）为什么能解决小样本问题（Few-shot Learning）：一个例子搞懂
元学习（meta learning）是解决小样本问题非常重要的一个方法
在小样综述Generalizing from a Few Examples: A Survey on Few-shot Learning 中对元学习有这样的描述：
经过一组训练任务得到多个网络参数，使得所有网络的损失最小。用另一组不相交的任务来训练模型的泛化能力，这组任务的平均损失就是元学习的测试误差。
｣是不是还是有点摸不着头脑？元学习是“学习如何学习”，这句话到底是什么意思？为什么这样一种方法就能够解决小样本问题呢？
在论文A Method of Few-Shot Network Intrusion Detection Based on Meta-Learning Framework有一个很好的解释。
我们举一个异常流量监测的简单例子：
- 有五种类型的网络流量样本，表示为O、A、B、C 和 D
- O ：正常样本，是通常容易获得
- A、B、C、D是四个不同类型的恶意样本
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！