MAML 和 Hierarchical-MAML - computer-science | Mi Manchi = yuan = Whatever is worth doing at all is worth doing well

# MAML

# 参考博客

# 参考视频

https://www.bilibili.com/video/BV1UN4y1A7hr?p=3&vd_source=1c562831fab1cb4101e5b95d41c170e0

# 视频理解

他讲的 task 是语音识别、图片识别等这种任务之间差距很大的

每个任务有一个模型

这里讲的也是 function 和 parameters 是一个东西，

# 浅浅理解

# Hierarchical-MAML

# 论文阅读

关键词

泛化性能 generalization performance/ability

# 第二段：

所有任务都来来自固定的任务分布（这个任务分布是啥意思，需要具体解释的吗？在概率论中，分布应该是变量 x 取某个值的概率），看来得看看 maml 原文是怎么写的了。诶？他这里是加了人名的耶。distribution 用 evolve 来修饰可以吗？

直接写数据 X 的演变这种句子吗？数据集 X 是什么

样本的标签显示了层次结构这是什么意思

写了什么构成了任务分布，但是任务分布这个词在之前就已经出现过，在初次出现的时候却没有解释，在之后才解释，在结构上这里需要注意的么？但我还没懂这里的任务分布具体是什么意思的。first-level class 是什么？直接写 different classes 不行么？

# 第三段

目标任务和观测任务： target task；observed task

$\epsilon$ : 描述两个观测任务之间的差异
$D(p_{m+1},{\{p_i\}}_{i=1}^m)$ ：描述了目标任务和 m 个观测任务之间的平均差异

普通元学习算法的偏差来源：多个观测任务之间的差异、目标任务和观测任务之间的差异（这里是因为训练的时候是在多个观测任务上进行训练的吗？）

# 第四段

learn a meta-representation and a meta-adapter to adapt to evolving tasks and overcome catastrophic forgetting 出现的这句话都没完全理解。

# 第五段

提出那里好像有句意的问题，based on 那里

accumulated data 持续积累的数据？

transferability

动态源和目标任务之间的知识转移？

灾难性遗忘

dynamic source 和 static source

样本分布和任务分布有什么具体区别的吗？

$\theta$ 这些是 function ，不是参数，感觉这些表示有点奇怪的。

# primary

在元学习中，task 来自同一个分布，但是 task 中的 sample 来自不同的 sample 分布，这是个啥意思？
应该是，在取样本的时候来自同一个数据集，但是取出来之后，将每个 task 当作一个集合之后，那么在这个集合中就形成自己的分布。

$\theta$ 是参数，

使用参数的交集靠谱么？

$\phi$ 好像前面写的是 function，后面写的是 parameters

# 语法句意不顺畅

第一句话，challenge with ，有这个搭配的吗？
第一段，observed tasks，观察到的任务？