一种基于梯度信息的元学习内层快速更新策略算法

本发明公开了一种基于梯度信息的元学习内层快速更新策略算法，其根据梯度信息动态调整更新步长，提高模型在新任务上的适应速度和性能。算法首先获取初始模型参数在当前任务上的初始梯度，根据此梯度信息生成扰动参数，并重新计算损失获得新梯度，然后根据两次梯度计算梯度差异以表征损失函数局部曲率，最后根据梯度差异动态调整更新步长，完成内层快速更新。此外，该算法还可以与MAML、FOMAML或Reptile框架结合，替换原有的固定步长更新策略，以进一步提高元学习的性能。该发明对于大规模多任务学习和元学习任务具有重要价值。