Wat is meta-learning voor AutoML?

Meta-learning in de context van AutoML is een aanpak waarbij het systeem leert van de ervaring van het oplossen van meerdere eerdere taken in machine learning, om sneller en efficiënter modellen en hyperparameters te selecteren voor nieuwe taken.

Het idee is dat AutoML niet vanaf nul begint, maar gebruikmaakt van kennis over welke algoritmen en instellingen goed werkten op vergelijkbare gegevens. Dit stelt je in staat om de tijd en middelen voor modeloptimalisatie (HPO — hyperparameteroptimalisatie) aanzienlijk te verminderen.

Voorbeeld: als AutoML wordt geconfronteerd met een tekstclassificatietaak, kan meta-learning suggereren dat bepaalde modellen en parameters geschikt zijn voor soortgelijke taken, gebaseerd op de geschiedenis van succesvolle runs, en meteen de zoekruimte beperken.