小样本情感识别中的元学习算法：MAML与ProtoNet的核心差异与适用场景？ 热门官方

回答：MAML（Model-Agnostic Meta-Learning）与ProtoNet（原型网络）是小样本元学习的两大代表：①核心差异：MAML是“模型参数初始化优化”方法，通过在多个小样本任务上学习“易适应的初始参数”，遇到新任务时用少量梯度步微调初始参数；ProtoNet是“基于原型的分类”方法，为每个类别学习一个“原型向量”（该类样本的均值向量），新样本通过与原型的距离分类。②适用场景：MAML适用于需要模型灵活调整参数以适应新任务的场景（如新情感类别的细粒度识别，需调整特征提取器参数），但训练成本高（需二阶导数）；ProtoNet适用于类别原型清晰的场景（如基本情感类别“喜怒哀惧”的原型易定义），训练效率高（仅需一阶导数），但在复杂情感（如“悲喜交加”）的原型构建上效果较差。实验显示，5-shot任务中，MAML在FER-2000数据集上准确率68%，ProtoNet为62%，但ProtoNet训练速度快3倍。