---
title: "與模型無關的元學習（MAML (Model-Agnostic Meta-Learning)）"
slug: maml-model-agnostic-meta-learning
language: zh-TW
source: https://aiterms.tw/terms/maml-model-agnostic-meta-learning
updated_at: 2026-07-30
tags: [元學習, 快速適應, 少樣本學習, 二階優化]
ipas_term: false
---

# 與模型無關的元學習（MAML (Model-Agnostic Meta-Learning)）

透過內外層梯度最佳化找到最佳初始化參數，使任何模型在新任務上經少量更新後快速收斂。

## 完整說明

MAML（Model-Agnostic Meta-Learning）由 Chelsea Finn 等人於 2017 年提出，是基於優化的元學習的代表作。其核心創新在於「與模型無關」：該方法可應用於任何基於梯度的模型（CNN、RNN 等），透過模擬「在新任務上進行少量梯度更新」這一過程，在元學習層面優化初始參數，使模型具備快速適應新任務的能力。

## 常見問題

### 為什麼 MAML 的元梯度計算需要二階導數？能不能只用一階？

MAML 的外層梯度需要對內層更新後的損失求導，而內層更新本身涉及梯度 ∇L，所以外層梯度關於原參數 θ 的計算會涉及二階導數（對梯度的梯度）。這在數學上是必然的，不能簡單跳過。不過，FOMAML（First-Order MAML）發現在實踐中忽略二階項（只保留一階項）的性能損失往往有限，而計算速度能提升 10 倍左右。原因可能是二階項在許多任務上相對較小，或者一階近似已足以捕捉主要的元學習信號。實務上，若計算預算有限，FOMAML 往往是更實用的選擇。

### MAML 在少樣本學習中的具體表現如何？相比簡單遷移學習有多大優勢？

在 miniImageNet 5-way 1-shot 基準上（給定 5 個類別、每類 1 張訓練圖），MAML 能達到約 98.7% 的準確率，相比隨機初始化的 ResNet（約 70%）有巨大優勢。相比簡單遷移學習（在 ImageNet 預訓練後微調），MAML 的優勢在於它在元訓練中顯式優化了「快速適應」的能力，而普通遷移學習只是利用通用特徵。在資料非常稀少的場景（1-5 shot），MAML 通常優於簡單微調 10-20% 的相對精度；但隨著支持集樣本增加（如 5-shot、10-shot），兩者差距逐漸縮小。在樣本充足（超過 100 張）時，MAML 的相對優勢幾乎消失。

### MAML 為什麼要把數據分為支持集和查詢集？為什麼不用全部資料？

支持集和查詢集的分割是模擬真實場景的必要設計。在現實中，面對新任務時，我們有少量的標注樣本（支持集）用於快速適應，然後需要在完全不同的樣本集（查詢集）上評估性能。若訓練時用相同的資料既適應又評估，模型會「作弊」：它可以簡單地記住支持集中的樣本，這不是真正的快速適應。透過在支持集上執行梯度更新（內層迴圈），再在查詢集上評估（外層迴圈），MAML 確保模型是真正學會了如何快速適應新任務，而非背誦具體的樣本。這與機器學習中訓練集和測試集分割的理念一致，只是在元學習的背景下進一步細化。

---

來源：https://aiterms.tw/terms/maml-model-agnostic-meta-learning
快查頁：https://aiterms.tw/terms/maml-model-agnostic-meta-learning
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-maml-model-agnostic-meta-learning