Mis on meta-õppimine AutoML jaoks?

Meta-õppimine AutoML kontekstis on lähenemine, kus süsteem õpib kogemustest lahendada mitmeid varasemaid masinõppe ülesandeid, et valida kiiremini ja tõhusamalt mudeleid ja hüperparameetreid uute ülesannete jaoks.

Idee on, et AutoML ei alga nullist, vaid kasutab teadmisi selle kohta, millised algoritmid ja seaded on sarnaste andmete puhul hästi töötanud. See võimaldab oluliselt vähendada aega ja ressursse mudelite optimeerimiseks (HPO — hüperparameetrite optimeerimine).

Näide: kui AutoML seisab silmitsi teksti klassifikatsiooni ülesandega, võib meta-õppimine soovitada, et teatud mudelid ja parameetrid sobivad hästi sarnaste ülesannete jaoks, tuginedes edukate käivituste ajaloole, ning kohe piirata otsinguruumi.