Tôi hiện đang đọc một bài khảo sát về thuật toán meta cập nhật trọng số nhân. Tôi không chắc chắn những gì họ có nghĩa là "thuật toán meta". Nó chỉ đơn giản là một thuật toán chung có thể được sử dụng cho các mục đích khác nhau?
Tôi không thể tìm thấy bất kỳ định nghĩa chính xác nào cho thuật ngữ này, mặc dù tôi đã tìm thấy các ví dụ về thuật toán meta như Boosting trong học máy.
Câu trả lời:
Tôi giải thích nó có nghĩa là "kỹ thuật thuật toán". Đó là một khung chung có thể được sử dụng để giải quyết một số vấn đề.
Đừng lo lắng quá nhiều về ý nghĩa của cụm từ đó. Đó không phải là một cái gì đó với một định nghĩa được chấp nhận và bạn không cần phải hiểu nó để đạt được giá trị từ bài khảo sát đó; nó chỉ là một cụm từ đi qua. Thay vào đó, tập trung vào việc hiểu các ý tưởng và kết quả kỹ thuật trong bài khảo sát.
Thuật ngữ "thuật toán meta" có một ý nghĩa khá được chấp nhận trong bối cảnh lý thuyết học tập, đó là lĩnh vực nghiên cứu mà từ đó trọng số nhân bắt nguồn.
Cụ thể, một thuật toán meta, trong bối cảnh của lý thuyết học tập, là một thuật toán quyết định cách lấy một tập hợp các thuật toán khác (thông thường, mặc dù không nhất thiết phải là meta) (có thể bị câm như một đầu ra không đổi, ví dụ) và xây dựng một thuật toán mới trong số đó, thường bằng cách kết hợp hoặc tính trọng số đầu ra của các thuật toán thành phần. (Đừng coi đây là một định nghĩa chính tắc.) Thông thường, các thuật toán thành phần này được xem như hộp đen lấy đầu vào và tạo đầu ra của chúng, với các hoạt động bên trong ẩn / không liên quan.
Có một số ví dụ về thuật toán meta. Thuật toán Trọng số nhân được tham chiếu là một ví dụ. Một ví dụ đặc biệt đơn giản là đa số bỏ phiếu cho một nhóm các phân loại nhị phân: Giả sử bạn có một loạt các thuật toán phân loại nhị phân và bạn không biết cách chọn một thuật toán tốt. Bạn chỉ có thể tính toán tất cả, và để họ bỏ phiếu. Bỏ phiếu trong trường hợp này là thuật toán meta. Tất nhiên, điều này có thể không hoạt động tốt, và bạn có thể muốn làm một cái gì đó như bỏ phiếu có trọng số, trong đó trọng lượng bằng cách nào đó cân bằng với hiệu suất quan sát được.
Chỉ là một vài ví dụ về thuật toán meta mà tôi có thể nghĩ ra vào lúc này:
Như mọi khi, bạn có thể tìm thấy các ví dụ làm mờ ranh giới giữa meta và không meta. Ví dụ, hàng xóm gần nhất của K có thể được coi là biểu quyết / tính trung bình của các thuật toán thành phần, trong đó mọi hàng xóm tiềm năng (nghĩa là các điểm được gắn nhãn trong tập dữ liệu) là thuật toán thành phần của riêng nó, có đầu ra không đổi và trọng số là một hàm của khoảng cách từ đầu vào thuật toán.