现代机器学习研究进展 第三部分 学习范式与训练技巧 第22章 少样本与元学习（Few-Shot & Meta-Learning）

严格禁止转载

版权所有 © 2025 刘丹。
本文的全部内容（包括文字、插图、表格、图表、代码示例等）受版权法保护。未经版权所有者书面明确许可，任何单位或个人不得以任何形式（包括但不限于复印、转载、摘编、影印、扫描、改编、录入计算机检索系统、互联网传播、网络下载或以其他方式使用）复制、传播或改编本文的全部或任何部分。
违者将依法追究法律责任。
如需转载或引用本书内容进行教学、研究或出版，请通过以下联系方式申请许可：
联系人：刘丹；电子邮件：3549233510@qq.com。

本章目标讲清少样本学习与元学习的主要范式、理论依据与实践实现。内容适合博士研究生作为教科书章节：每一步推导声明假设、给出结论并指出工程含义。章节包含：

• 元学习的形式化（任务分布、support/query、元目标）

• 元学习分类：优化型（MAML）、度量型（ProtoNet、RelationNet）、模型式（meta-learner RNN 等）并给出严格推导

• MAML 的元梯度推导与一阶近似（FOMAML）证明步骤

• ProtoNet 的贝叶斯/判别等价性证明与实现细节（训练/评估协议、PyTorch 伪代码）

• RelationNet 及可学度量的训练解释

• 元学习的评测设计（任务分布设计、泛化问题、统计性检验）与理论样本复杂度直觉（任务数与样本数的 trad