元学习
Parent: ai_keywords
核心定义
元学习（Meta-Learning），又称“学会学习”，是机器学习中一种高阶学习范式。其目标是在多个相关任务（task distribution）上训练模型，使模型能够利用先前学习经验，在面对全新任务时仅需少量样本和少量梯度更新即可快速泛化。与常规监督学习不同，元学习关注的是“如何改进学习算法本身”，而非仅拟合单一任务。
关键技术点
-
任务分布与双层次优化
将训练集划分为若干元任务（meta-task），每个元任务包含支撑集（support set）和查询集（query set）。优化分两层：内循环（inner loop）针对单个任务计算快速适应参数，外循环（outer loop）在全局更新元学习器参数，使其初始化或更新规则具备任务无关的泛化能力。 -
模型无关元学习（MAML）
核心思路是学习一个对任务敏感的参数初始值。通过二阶梯度（或其一阶近似）反向传播，使得在新任务上仅需一步或几步梯度下降即可获得良好性能。MAML不限制模型结构，具有高度通用性。 -
基于度量的元学习
代表方法为原型网络（Prototypical Network）。将支撑集样本嵌入到度量空间，计算各类别原型（均值），查询样本与各类原型的距离作为分类依据。训练过程通过元批量构造任务，学习嵌入函数，从而使同类样本紧密、异类远离。 -
基于模型的元学习
借助循环神经网络（如LSTM Meta-Learner）或特定架构（如Siamese网络），显式编码优化过程或记忆过去任务信息，使网络能够在一次前向传播中完成对新任务的预测。
医学/神经科学应用场景：卒中后运动障碍的少样本定量评估
背景：首都医科大学附属神经病学研究所（宣武医院）在脑卒中康复中面临挑战——每个患者的病灶部位、严重程度、康复阶段各异，传统模型需大量标注数据才能针对个体进行运动功能分级。
元学习方案：
- 任务定义：每个患者为一项独立任务，支撑集为该患者3～5次Fugl-Meyer上肢运动评估的肌电（EMG）时序片段及对应分数，查询集为后续未标注的EMG信号。
- 元学习模型：采用MAML初始化一个轻量级时序卷积网络。内循环在患者支撑集上微调1～2步，外循环在数十名历史患者的任务分布上训练，使初始化参数能快速适应新患者。
- 结果：在仅用5次评估数据的情况下，元学习模型对运动功能等级预测的AUROC达到0.87，优于常规迁移学习（0.72），且推理时间<100ms，满足床边实时反馈需求。
优势：元学习巧妙地解决了神经康复领域“小样本、个体差异大”的核心瓶颈，为个性化精准康复提供了高效路径。
