--- title: "模型無關後設學習（Model Agnostic Meta-Learning）" slug: model-agnostic-meta-learning language: zh-TW source: https://aiterms.tw/terms/model-agnostic-meta-learning updated_at: 2026-06-23 tags: [機器學習, AI基礎, AI應用] ipas_term: false --- # 模型無關後設學習（Model Agnostic Meta-Learning） 一種元學習方法，訓練模型使其對新任務能透過少量樣本迅速適應，與模型架構無關。 ## 完整說明 模型無關後設學習（MAML）是一種元學習策略，目標是訓練模型的初始參數，使其對新任務能以少量樣本（few-shot）快速適應。與其訓練單一大型模型處理所有任務，MAML 訓練一組初始參數，讓模型用很少的標籤資料和快速的梯度更新就能適應全新任務。這種「學會如何學習」的能力稱為元學習。 ## 常見問題 ### MAML 的訓練成本為什麼這麼高？有什麼加速方法？ MAML 的計算成本來自雙層優化迴圈。每次外迴圈更新，都需對每個任務執行完整內迴圈（梯度計算、參數更新、前向傳播），遠高於傳統訓練的單層優化。加速方法包括：一、減少內迴圈的梯度步驟數（通常 1 步就足夠，不必 5 步）；二、採用二階導數近似（如 first-order MAML）減少二階微分計算；三、批量化任務處理，利用 GPU 並行化；四、用更簡單的模型或更小的資料集進行元訓練（降低單次計算量）。實務中，first-order MAML（只計算一階導數）的成本約為標準 MAML 的 20-30%，性能損失不大，是實用的折中。 ### 如何為 MAML 設計合適的任務分佈進行元訓練？ 元訓練任務分布的設計決定了 MAML 對新任務的適應能力。首先，任務應有足夠的多樣性，涵蓋測試時可能遇到的情景變化。例如，若目標是少樣本影像分類，訓練任務應包含不同物體、背景、光照的圖片。其次，任務數量應充足，通常需要 100+ 個訓練任務。第三，訓練任務與測試任務的分布要有相似性，但也要有適度差異，這樣元訓練的初始參數才能泛化到測試任務。第四，支持集和查詢集的大小應與測試時的預期一致（例如測試時只有 5 個樣本，訓練時的支持集就應是 5-10 個樣本）。實驗中常用的做法是分層採樣：先定義高層任務類別，再在每類內生成多個具體任務實例。 ### 什麼時候應該用 MAML，什麼時候用其他方法更合適？ 選擇 MAML 需要滿足幾個條件。首先，必須有少樣本快速適應的需求（如果有充足標籤資料，標準監督學習更簡單）。其次，應有足夠的元訓練任務（100+ 個），如果任務稀缺，MAML 無法充分訓練。第三，任務類型相似（都是分類或都是迴歸），MAML 對差異大的任務混合效果差。如果用途是通用特徵學習而非快速新任務適應，遷移學習更合適。如果只有靜態訓練任務無法隨時生成新任務，可考慮原型網絡或匹配網絡。如果涉及強化學習，需要評估 MAML 在該領域的效果（某些場景下不如專用強化學習元學習方法）。總體而言，MAML 最適合「有豐富多樣的元訓練任務、需要在新任務上快速適應、計算成本可以承受」的場景。 --- 來源：https://aiterms.tw/terms/model-agnostic-meta-learning 快查頁：https://aiterms.tw/terms/model-agnostic-meta-learning 最後更新：2026/06/23 深度解說：https://aiterms.tw/learning/what-is-model-agnostic-meta-learning