Что такое meta-learning для AutoML?

Meta-learning в контексте AutoML — это подход, при котором система учится на опыте решения множества предыдущих задач машинного обучения, чтобы быстрее и эффективнее подбирать модели и гиперпараметры для новых задач.

Идея в том, что AutoML не начинает с нуля, а использует знания о том, какие алгоритмы и настройки хорошо работали на похожих данных. Это позволяет значительно сократить время и ресурсы на оптимизацию моделей (HPO — hyperparameter optimization).

Пример: если AutoML сталкивается с задачей классификации текста, meta-learning может подсказать, что для подобных задач хорошо подходят определённые модели и параметры, основываясь на истории успешных запусков, и сразу сузить пространство поиска.