BioMercator2.1 图谱整合 QTL元分析 Meta分析 Meta-analysis

智能系统的核心能力是不断建立在以往经验的基础上，以加快和加强对新任务的学习。有两种截然不同的研究范式研究了这个问题。元学习将这一问题视为优先学习模型参数，以便对新任务进行快速适应，但通常假设任务集可以作为批处理一起使用。相比之下，在线(基于后悔的)学习考虑的是一个连续的设置，在这个设置中问题一个接一个地被发现，但传统上只训练一个单一的模型，没有任何特定任务的适应性。这项工作引入了在线元学习设置，它融合了上述两种模式的想法，以更好地捕捉持续终身学习的精神和实践。我们建议遵循元leader算法，它扩展了MAML算法(Finn et al.， 2017)到这个设置。从理论上讲，这项工作提供了一个O(log T)遗憾保证，附加了一个更高阶的平滑假设(与标准在线设置相比)。在三种不同的大规模任务上的实验评价表明，该算法显著优于基于传统在线学习方法的其他算法。

许多元学习方法的少数镜头学习依赖于简单的基础学习者，如最近邻分类器。然而，即使在少量射击的情况下，有区别地训练线性预测器可以提供更好的泛化。我们建议使用这些预测器作为基础学习者来学习少量镜头学习的表示，并表明它们在一系列少量镜头识别基准之间提供了更好的特征大小和性能之间的权衡。我们的目标是学习特征嵌入，在新的类别线性分类规则下很好地一般化。为了有效地解决这一目标，我们利用了线性分类器的两个性质:凸问题的最优性条件的隐式微分和最优问题的对偶公式。这允许我们使用高维嵌入改进的泛化，并适度增加计算开销。我们的方法名为MetaOptNet，在miniImageNet、tieredImageNet、CIFAR-FS和FC100的几次学习基准上实现了最先进的性能。

由于模型固有的不确定性，学习从少量数据集推断贝叶斯后验是实现稳健元学习的重要一步。在本文中，我们提出了一种新的贝叶斯模型不可知的元学习方法。该方法结合了有效的基于梯度的元学习和非参数变分推理。与以往的方法不同的是，在快速适应过程中，该方法能够学习复杂的不确定性结构，而不是简单的高斯近似;在元更新过程中，采用了新的贝叶斯机制，防止了元级过拟合。它仍然是一种基于梯度的方法，也是第一个适用于包括强化学习在内的各种任务的不依赖贝叶斯模型的元学习方法。实验结果表明，该方法在正弦回归、图像分类、主动学习和强化学习等方面具有较好的准确性和鲁棒性。

本文提出了一种新的学习方法——元转移学习(MTL)。具体来说，“meta”是指训练多个任务，“transfer”是通过学习每个任务的DNN权值的缩放和变换函数来实现的。此外，我们还介绍了作为一种有效的MTL学习课程的困难任务元批处理方案。

meta分析研究的重要学习资源，详细系统的写了meta分析过程、重要步骤、模型分析（固定效应模型、随机效应模型、混合效应模型、偏倚分析、森林图、漏斗图、气泡图等等）

诊断性meta分析工具和使用教程

主要用于遗传图谱的汇编和整合，QTL的整合和QTL元分析以及meta分析等。

【《Python元学习实战》随书代码】’Hands-On-Meta-Learning-With-Python - Learning to Learn using One-Shot Learning, MAML, Reptile, Meta-SGD and more with Tensorflow' by Sudharsan Ravichandiran

Meta-Chirality：基本原理，构造和应用