Glossário IA
O dicionário completo da Inteligência Artificial
MAML (Model-Agnostic Meta-Learning)
Algoritmo de meta-aprendizado que aprende parâmetros iniciais do modelo permitindo adaptação rápida a novas tarefas com poucos exemplos via otimização por gradiente.
Meta-LSTM
Variante de LSTM que meta-aprende seus próprios parâmetros de atualização, permitindo adaptação dinâmica dos pesos do modelo de acordo com características específicas de cada tarefa.
SNAIL (Simple Neural Attentive Learner)
Arquitetura híbrida combinando convoluções temporais e mecanismos de atenção para aprender a partir de sequências de exemplos e adaptar-se rapidamente a novas tarefas.
Meta-SGD
Extensão do MAML que aprende não apenas os parâmetros iniciais mas também taxas de aprendizagem específicas para cada parâmetro para uma adaptação mais flexível a novas tarefas.
Reptile
Algoritmo de meta-aprendizado simplificado que realiza interpolação entre os pesos iniciais e os pesos após algumas etapas de otimização na tarefa atual.
TADAM (Task-Dependent Adaptive Metric)
Método que combina redes prototípicas com um módulo de atenção consciente da tarefa para adaptar dinamicamente o espaço de embedding de acordo com as características de cada tarefa.
LEAP (Learning to Evaluate)
Framework que meta-aprende uma função de avaliação para comparar modelos em diferentes tarefas, otimizando diretamente as performances de meta-generalização em vez das perdas de tarefas individuais.
L2L (Learning to Learn)
Paradigma onde um meta-otimizador neural aprende a atualizar os parâmetros de outra rede, descobrindo algoritmos de otimização adaptativos específicos para cada problema.
R2D2 (Recursive Reward Decomposition)
Método de meta-aprendizado por reforço utilizando uma decomposição hierárquica das recompensas para aprender políticas reutilizáveis em diferentes tarefas.
Meta-Transfer Learning
Abordagem que combina meta-aprendizado e transfer learning para aprender representações transferíveis enquanto preserva a capacidade de adaptação rápida a novas distribuições de dados.
Meta-RL (Meta-Reinforcement Learning)
Domínio onde o agente aprende a aprender políticas de adaptação rápida para novas tarefas de reforço, explorando as regularidades através dos ambientes.