Cet article porte sur la conception d'une architecture permettant une acquisition efficace d'informations a priori dans des domaines tels que la chimie computationnelle, l'immunologie et l'imagerie médicale, où les modèles d'apprentissage a priori à grande échelle ne peuvent être utilisés faute de données. Nous démontrons que la mémoire des réseaux neuronaux peut être utilisée pour s'adapter à des distributions non stationnaires avec un petit nombre d'échantillons, et qu'un hyperréseau entraîné par méta-apprentissage agnostique (MAML) (un réseau générant d'autres réseaux) peut acquérir des informations a priori plus généralisées qu'un réseau standard. En appliquant l'hyperréseau à la génération de scènes 3D, nous obtenons une génération texte-3D rapide grâce à une acquisition efficace d'informations a priori avec seulement un petit nombre de scènes d'entraînement, et réalisons la segmentation 3D de nouvelles scènes avec des données limitées. Enfin, nous réutilisons les méthodes existantes de génération de molécules comme cadre de pré-entraînement pour améliorer la prédiction des caractéristiques moléculaires, un défi majeur en immunologie computationnelle.
