Glosario IA
El diccionario completo de la Inteligencia Artificial
Metaaprendizaje basado en métricas
Enfoque que aprende una métrica de distancia o similitud para comparar ejemplos y hacer predicciones sobre nuevas tareas.
Meta-aprendizaje basado en modelos
Métodos que utilizan modelos con memoria interna o mecanismos de atención para adaptarse rápidamente a nuevas tareas.
Meta-aprendizaje basado en optimización
Técnicas que optimizan directamente el proceso de aprendizaje para permitir una adaptación rápida con pocas actualizaciones de gradientes.
MAML (Model-Agnostic Meta-Learning)
Algoritmo que entrena modelos con una inicialización de parámetros óptima para un aprendizaje rápido en nuevas tareas.
Redes Prototípicas
Arquitectura que aprende un espacio de incrustación donde cada clase está representada por un prototipo calculado a partir de los ejemplos de soporte.
Redes Siamesas
Redes neuronales gemelas que aprenden a medir la similitud entre pares de entradas para el few-shot learning.
Matching Networks
Modelos que utilizan mecanismos de atención ponderada para hacer coincidir los ejemplos de prueba con los ejemplos de soporte.
Redes de Relación
Arquitectura que aprende una función de relación para comparar los embeddings de ejemplos de soporte y de prueba.
Redes Neuronales con Memoria Aumentada
Redes neuronales con memoria externa que permiten un almacenamiento rápido y una recuperación eficiente de información para nuevas tareas.
Meta-Aprendizaje por Refuerzo
Aplicación del metaaprendizaje a los problemas de aprendizaje por refuerzo para una adaptación rápida a nuevos entornos.
Meta-Aprendizaje Continuo
Enfoque que combina meta-aprendizaje y aprendizaje continuo para aprender continuamente sobre nuevas tareas sin olvidar las anteriores.
Meta-aprendizaje para optimización de hiperparámetros
Uso del meta-aprendizaje para optimizar automáticamente los hiperparámetros de los modelos de aprendizaje.
Búsqueda de Arquitectura Neuronal con Meta-Aprendizaje
Aplicación del meta-aprendizaje para descubrir automáticamente arquitecturas de redes neuronales óptimas para tareas específicas.
Zero-Shot Learning
Capacidad para reconocer clases nunca vistas en aprendizaje utilizando información semántica o descripciones.
One-Shot Learning
Subdominio del few-shot learning donde el modelo debe aprender a partir de un solo ejemplo por clase.
Meta-aprendizaje para Clasificación con Pocos Ejemplos
Especialización del meta-aprendizaje enfocada en los problemas de clasificación con muy pocos ejemplos de entrenamiento por clase.
Meta-Aprendizaje Agnóstico a Tareas
Enfoque que aprende representaciones universales sin conocimiento previo de la distribución de las tareas futuras.