Meta-Learning

9 items

RESEARCHarXiv CS.CL·22/4/2026

Model-Agnostic Meta Learning for Class Imbalance Adaptation

Este artículo presenta Hardness-Aware Meta-Resample (HAMR), un marco unificado que aborda la adaptación al desequilibrio de clases y la dificultad de los datos en tareas de PNL. HAMR utiliza optimizaciones de dos niveles y un mecanismo de remuestreo consciente del vecindario para priorizar muestras genuinamente desafiantes y clases minoritarias, logrando mejoras sustanciales en varios conjuntos de datos desequilibrados.

Meta-Learning deep learning machine learning Natural Language Processing

RESEARCHarXiv CS.LG·16/4/2026

Generalization Guarantees on Data-Driven Tuning of Gradient Descent with Langevin Updates

Este artículo introduce el algoritmo Langevin Gradient Descent (LGD) para problemas de regresión convexa, demostrando que las configuraciones óptimas de hiperparámetros alcanzan la solución óptima de Bayes. El trabajo también ofrece garantías de generalización para el meta-aprendizaje de hiperparámetros óptimos de LGD, con un límite de pseudo-dimensión de O(dh).

Meta-Learning Optimization Generalization Hyperparameter Tuning

RESEARCHarXiv CS.AI·14/4/2026

AHC: Meta-Learned Adaptive Compression for Continual Object Detection on Memory-Constrained Microcontrollers

AHC es un marco de metaaprendizaje para la detección continua de objetos en microcontroladores con memoria limitada, adaptándose a distribuciones de tareas en evolución. Utiliza compresión adaptativa basada en MAML, compresión jerárquica multiescala y una arquitectura de doble memoria para evitar el olvido catastrófico con un presupuesto de 100KB.

Meta-Learning Adaptive Compression Microcontrollers object detection

ARTICLEDEV.to AI·7/5/2026

Meta-Optimized Continual Adaptation for circular manufacturing supply chains in carbon-negative infrastructure

El autor describe un momento crucial en el que la optimización estática, incluido el meta-aprendizaje, resultó obsoleta para las cadenas de suministro de fabricación circular dinámicas, fallando catastróficamente ante cambios de política repentinos como un impuesto al carbono. Esta experiencia expuso la limitación fundamental de los métodos tradicionales para adaptarse a las complejidades del mundo real.

Meta-Learning carbon-negative infrastructure reinforcement learning supply chain optimization

RESEARCHarXiv CS.AI·1/5/2026

Compositional Meta-Learning for Mitigating Task Heterogeneity in Physics-Informed Neural Networks

Este artículo propone LAM-PINN, un marco de metaaprendizaje composicional para mitigar la heterogeneidad de tareas en Redes Neuronales Informadas por la Física (PINNs). Aborda el desafío de entrenar PINNs para familias de ecuaciones diferenciales parciales (PDEs) que enfrentan altos costos computacionales o transferencia negativa en condiciones de escasez de datos.

Meta-Learning neural networks Physics-Informed Neural Networks partial differential equations

RESEARCHarXiv CS.LG·27/4/2026

Mochi: Aligning Pre-training and Inference for Efficient Graph Foundation Models via Meta-Learning

Mochi es un Modelo de Fundación Gráfica que mejora la eficiencia y la unificación de tareas mediante un marco de entrenamiento basado en metaaprendizaje. Se preentrena en episodios de pocas muestras que reflejan la evaluación posterior, abordando las limitaciones de los métodos tradicionales y logrando un rendimiento competitivo.

Meta-Learning Model Alignment Graph Neural Networks Foundation Models

RESEARCHarXiv CS.LG·7/5/2026

A Self-Attentive Meta-Optimizer with Group-Adaptive Learning Rates and Weight Decay

MetaAdamW es un nuevo optimizador que utiliza un mecanismo de autoatención para ajustar dinámicamente las tasas de aprendizaje y la caída de peso por grupo de parámetros, superando la limitación de los hiperparámetros uniformes. El módulo de atención se entrena mediante un objetivo de metaaprendizaje que combina la alineación de gradientes, la disminución de la pérdida y la brecha de generalización.

Meta-Learning deep learning learning AI Research

RESEARCHarXiv CS.AI·30/4/2026

OMEGA: Optimizing Machine Learning by Evaluating Generated Algorithms

OMEGA es un framework de extremo a extremo que automatiza la investigación de IA, desde la generación de ideas hasta el código ejecutable, utilizando ingeniería de meta-prompts y generación de código. Ha creado nuevos clasificadores de ML que superan las líneas base de scikit-learn en 20 conjuntos de datos de referencia.

Meta-Learning machine learning code generation Algorithms

RESEARCHarXiv CS.AI·hace 20d

SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation

SOLAR es un agente autónomo de IA diseñado para superar los desafíos de los grandes modelos de lenguaje en entornos dinámicos, permitiendo el aprendizaje continuo y la adaptación constante. Utiliza meta-aprendizaje a nivel de parámetro y aprendizaje por refuerzo multinivel para auto-mejorarse y descubrir estrategias de adaptación.

Meta-Learning reinforcement learning learning Lifelong Learning