【普林斯顿大学-微软】加权元学习，Weighted Meta-Learning

元学习利用相关的源任务来学习初始化，可以通过有限的标记示例将初始化快速调整到目标任务。然而，许多流行的元学习算法，如模型无关元学习(MAML)，都只假设可以访问目标样本进行微调。在这项工作中，我们提供了一个通用的元学习框架，该框架基于对不同源任务的损失进行加权，其中的权重允许依赖于目标样本。在这个一般的设置中，我们提供了基于积分概率度量(IPM)和Rademacher复杂性的源任务加权经验风险和预期目标风险之间距离的上限，该上限适用于包括MAML和加权MAML变体在内的许多元学习设置。然后开发一个基于最小化误差学习算法对实证IPM,包括α-MAML加权MAML算法。最后，我们实证地证明了我们的加权元学习算法能够比单加权元学习算法(如MAML)找到更好的初始化。