终身学习、迁移学习、元学习、机器学习
如何从数据中更好地学习到更为普适的通用数据分布和相应得通用规律，将基于数据的学习方法分为， 终身学习、 迁移学习、 元学习、 机器学习。
从全球人工智能技术创新大赛 热身赛二: 中文预训练模型泛化能力挑战赛 引出，data science的中的几种不同相关学习范式。
概念区分: 元学习 和 迁移学习 并无本质区分都是增加学习器在多任务的泛化能力。但元学习更偏重任务和数据双重采样，任务和数据一样需要采样，学习到F(X)帮助在未见过的f(x)里迅速建立mapping。而迁移学习更多指从一个任务迁移到其他任务的能力迁移，不太强调任务空间的概念。
终身学习：增量学习，不间断学习，持续学习。解决元学习中的灾难性遗忘，新数据整合新知识和提炼已有知识的能力，必须防止新输入对已有的知识的显著干扰，这个两个冲突构成稳定性-可塑性困境。主要CV，NLP以预训练模型为代表，减弱终身学习的贡献。
在线学习：区别在于数据全部来自于同一个任务，而增量学习是多任务的，但它允许在进入下一个任务前多次处理当前任务的数据。
机器学习：一个具体任务的函数拟合
元学习: 元学习的概念框架。元学习从大量任务训练模型，并通过少量数据在新任务中更快地学习。
训练元学习，快速元学习器，少量预测样本的类别，不仅可以使快速学习器学习每一个子集的分类，还可以使它抽取类别之间的共和特性
迁移学习：相同任务下，源域学习，目标域迁移
多任务学习：MTL loss, joint learning, auxiliary task 先验任务来提高模型的泛化性。和L1 loss具有sparse model的先验具有相同想过，倾向于约束模型优化方向为joint loss。
问题一：深度学习的多个loss如何平衡？
在多任务很多的监督学习领域，如何平和多任务loss的weight或者说，更好的分布. Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics CVPR 2018 的paper Alex Kendall Yarin Gal 这种多任务loss的调整方法，应具有普适性，适应多个领域。
MTL一种多任务学习综述。 An Overview of Multi-Task Learning in Deep Neural Networks