【小样本基础】元学习（Meta Learning）为什么能解决小样本问题（Few-shot Learning）：一个例子搞懂

元学习（meta learning）是解决小样本问题非常重要的一个方法

在小样综述Generalizing from a Few Examples: A Survey on Few-shot Learning 中对元学习有这样的描述：

经过一组训练任务得到多个网络参数，使得所有网络的损失最小。用另一组不相交的任务来训练模型的泛化能力，这组任务的平均损失就是元学习的测试误差。

｣是不是还是有点摸不着头脑？元学习是“学习如何学习”，这句话到底是什么意思？为什么这样一种方法就能够解决小样本问题呢？

在论文A Method of Few-Shot Network Intrusion Detection Based on Meta-Learning Framework有一个很好的解释。

---

我们举一个异常流量监测的简单例子：

• 有五种类型的网络流量样本，表示为O、A、B