元优化
Parent: ai_keywords
元优化（Meta-Optimization）
核心定义
元优化是机器学习的元学习分支，指通过自动化手段优化优化算法本身，实现“学习如何学习”。其核心框架为双层优化（Bilevel Optimization）：内层在特定任务上训练模型，外层根据内层结果更新元参数（如学习率、初始化权重、损失函数结构），从而提升模型在新任务上的泛化与收敛效率。
关键技术点
- 双层梯度解耦
利用MAML等算法近似计算内层梯度的二阶导数，通过截断或隐式求导降低计算开销，使元梯度可反向传播。 - 自适应优化器
元优化可设计如AdaBelief、LAMB等优化器，动态调整各参数步长，或通过元学习自动生成优化器。 - 元强化学习
在策略梯度中引入元优化，使智能体在少量试错后快速适应新环境（如康复机器人环境）。 - 神经架构搜索（NAS）
将网络结构视为元参数，通过梯度或进化方法在搜索空间内优化架构，实现自动化深度学习。 - 元正则化
在元训练阶段引入稀疏性或对称性约束，防止内层过拟合，增强跨任务稳定性。
医学/神经科学应用场景
帕金森病脑深部电刺激（DBS）参数自适应优化
首都医科大学神经病学团队可借助元优化算法，在脑电（EEG）与局部场电位（LFP）监测下，构建双层优化模型：内层模拟DBS刺激-神经响应动力学（如兴奋/抑制平衡），外层基于患者震颤评分、运动迟缓指标实时调整刺激频率、脉宽及电极触点组合。仅需少量个体化校准数据（<100轮刺激），元优化即可快速收敛到最佳参数，将传统数日的临床程控缩短至数分钟，显著减轻患者负担。类似框架还可拓展至脑卒中后运动康复BCI解码器的在线自适应，提升离线解码向实时控制转化的效率。
