MetaPred：Meta-Learning for Clinical Risk Prediction with Limited Patient Electronic Health Records

Meta-Learning

---

目的從多種 source domain (相似種類任務)
學習如何 ‘調整參數’ 的策略
最終運用在 target domain 中

Inner-Loop

Inner-Loop 部份顯示
使用多組 source domains 訓練模型 $f$ 參數 $\theta$ (共參)

分別學習模型參數對各自任務優化參數，並可確保各domain訓練數量相當
Domains 同時訓練可能模糊學習目標(平均掉損失函數)

Outer-Loop

第11行：與遷移學習所不同之處為，meta-training 藉由同時考慮 target domain 和 source domains 的損失函數優化參數。
$uΣ^{K-1}_{i} L_s$

相較於 multi-task learing

根據不同種類任務，對目標損失優化參數

相較於 遷移學習

遷移學習則是將訓練完成的模型在target domain中進行微調以最佳化。

References

• MetaPred: Meta-Learning for Clinical Risk Prediction with Limited Patient Electronic Health Records, KDD’19