Generalización de Dominio a través del Meta-Aprendizaje: Una Encuesta

Las redes neuronales profundas (DNNs) han revolucionado la inteligencia artificial, pero a menudo carecen de rendimiento cuando se enfrentan a datos fuera de distribución (OOD), un escenario común debido a los inevitables cambios de dominio en aplicaciones del mundo real. Esta limitación proviene de la suposición común de que los datos de entrenamiento y prueba comparten la misma distribución, una suposición que a menudo se viola en la práctica. A pesar de su efectividad con grandes cantidades de datos y poder computacional, las DNNs luchan con cambios en la distribución y datos etiquetados limitados, lo que lleva al sobreajuste y a una mala generalización en diversas tareas y dominios. El meta-aprendizaje presenta un enfoque prometedor al emplear algoritmos que adquieren conocimientos transferibles a través de diversas tareas para una rápida adaptación, eliminando la necesidad de aprender cada tarea desde cero. Este documento de encuesta indaga en el ámbito del meta-aprendizaje con un enfoque en su contribución a la generalización de dominio. Primero, aclaramos el concepto de meta-aprendizaje para la generalización de dominio e introducimos una nueva taxonomía basada en la estrategia de extracción de características y la metodología de aprendizaje del clasificador, ofreciendo una visión granular de las metodologías. A través de una exhaustiva revisión de los métodos existentes y las teorías subyacentes, mapeamos los fundamentos del campo. Nuestra encuesta proporciona ideas prácticas y una discusión informada sobre direcciones de investigación prometedoras, allanan el camino para la innovación futura en el meta-aprendizaje para la generalización de dominio.