Какво е мета-обучение за AutoML?

Мета-обучението в контекста на AutoML е подход, при който системата учи от опита си при решаването на множество предишни задачи за машинно обучение, за да избира по-бързо и по-ефективно модели и хиперпараметри за нови задачи.

Идеята е, че AutoML не започва от нулата, а използва знания за това кои алгоритми и настройки са работили добре на подобни данни. Това позволява значително съкращаване на времето и ресурсите за оптимизация на моделите (HPO — оптимизация на хиперпараметрите).

Пример: ако AutoML се сблъсква с задача за класификация на текст, мета-обучението може да предложи, че определени модели и параметри са подходящи за подобни задачи, базирайки се на историята на успешните изпълнения, и веднага да ограничи пространството за търсене.