搜索中文正文和常见中英文技术词,按教程、项目、面试题筛选。
「元学习」找到 3 条内容
按专题浏览 →匹配正文:…下降的更新规则。 贝叶斯式推断:将上下文看作观测,对任务假设进行后验更新。 这些是相互竞争或互补的研究解释,不应把“预训练已经学会元学习”或“attention就是在更新参数”写成定论。推理时模型权重不变,变化的是上下文相关激活与输出分布。 与预训练和微调的关系 next-token目标让模型习惯利用前缀中的结构,但ICL能力还依赖模型规模、训练数据中任务序列的结构和训练分布。微调通过梯度把适应写进参数;ICL把示例保留在上下文中,切换快但受长度、顺序和推理成本限制。 错误标…
匹配正文:…side information融合: demographics + 上下文(时间、地理位置、设备)→ 共享embedding层 元学习(MAML):学一个"好初始化",新用户几步梯度快速适应 跨域迁移:用站外行为预训练(如有),或站内其他业务线数据 新物品冷启动 内容理解embedding:视频标题/封面/标签走多模态编码(CLIP类),与ID embedding对齐到同一空间 作者/品类先验:新视频继承作者历史表现、同品类热门物品的embedding 探索机制:ε-gre…
匹配口述回答:…互成本高,模拟器回放作为辅助。 其实还有一个方向值得深入,就是如何自动确定课程学习的难度阶梯和随机化参数范围,避免人工调参。比如用元学习自动调整难度,或者用贝叶斯优化搜索随机化参数。这个在复杂场景下挺关键,因为手工设计很难覆盖所有情况。 本质是降低样本成本、提升泛化 课程学习解决学什么顺序 环境随机化解决抗干扰 模拟器回放解决少犯错 混合策略与落地风险 约4分钟 自动确定课程难度阶梯和随机化参数范围,避免人工调参 面试官可能会追问自动课程学习的具体算法,比如PAIRED或PL…
学习内容与项目面试,在同一条路上。