Reptile
Parent: ai_keywords
核心定义
Reptile 是一种基于梯度的一阶元学习算法，由 Alex Nichol 等人于 2018 年提出。它通过在内循环中对多个任务进行经典梯度下降（SGD），在外循环中将内循环前后参数的差值作为元梯度进行更新，从而使模型具备从少量新样本中快速适应新任务的能力。与 MAML（Model-Agnostic Meta-Learning）相比，Reptile 省去了二阶导数的计算，显著降低了计算开销，同时保持了强大的泛化性能。
关键技术点
-
一阶近似
无需计算 Hessian 矩阵，仅依赖参数更新前后的向量差，大幅减少内存与时间消耗，适合大规模或高维参数场景。 -
多步内循环
在每个元任务（meta-task）上执行多步 SGD（而非单步），累积的更新方向更稳健，能捕捉任务间的共享结构。 -
元梯度聚合
外循环将内循环参数差（初始权重减去更新后权重）作为元梯度，对全局模型进行更新。该方向近似于所有任务最优点的几何平均。 -
收敛保证
理论分析表明，Reptile 的更新方向与联合多任务训练的方向一致，能收敛到各任务参数空间的“居中”点，避免过拟合单一任务。
医学/神经科学应用场景
面向脑卒中后运动功能恢复的个性化脑电图（EEG）解码
以首都医科大学神经病学研究背景为例，临床中不同患者的卒中灶位置、皮层可塑性差异极大，导致基于群体训练的脑机接口（BCI）模型难以直接适配个体。Reptile 可在以下环节发挥作用：
- 少样本跨患者适应：利用 5–10 次试次（trials）的 EEG 数据（如运动想象任务），以 Reptile 基于少数已知患者数据预训练元模型，再对每位新入组患者进行快速微调（3–5 步内循环），实现运动意图解码的个性化适配。
- 任务快速切换：针对不同类型（上肢/下肢、精细/粗大运动）的康复任务，Reptile 使模型能在几轮交互后切换解码策略，无需从头训练。
- 临床优势：减少患者长时间采集数据带来的疲劳，提升 BCI 系统的实际可用性，尤其适用于急性期脑卒中康复评估。
此外，该框架可扩展至癫痫发作预测（利用少次发作记录快速调整阈值）或帕金森病的运动症状量化（为不同病患的步态/震颤模式定制检测器），契合神经病学中高异质性疾病的精准诊疗需求。
