一个简单的神经注意力元学习器
本文提出了一种名为深度元强化学习的方法，该方法使用递归网络，在一个强化学习算法上进行训练，但其递归动态实现第二个、完全分离的强化学习过程，通过一系列七个验验证明了这种方法的潜在优势并提出了其可能引发的神经科学方面的重要影响。
Nov, 2016
研究表明，自动化架构搜索与基于梯度的元学习相结合，能够优化元学习器，使用此技术，预测准确率提高了11.54%，在五次样本五种类的迷你图像分类问题中，最终的元学习器达到了74.65％的准确率，是目前最先进的结果之一，也是在元学习背景下第一个成功的神经架构搜索。
Jun, 2018
本研究提出了一种meta-RL方法，通过捕捉不同任务之间的共享信息和快速抽象任务特定信息的能力，使用任务编码器生成任务嵌入并在所有任务之间共享策略，实现在训练和新任务上的更好学习能力和更高回报率。
May, 2019
本文提出了一个基于对元学习与传统监督学习之间联系的重新审视和加强的原则性统一框架，通过把任务特定数据集和目标模型看作（特征、标签）样本，我们可以把许多元学习算法归约到监督学习的实例中，进一步提高了元学习的表现。
Feb, 2020
该文总结了元学习（或学习-学习）领域的现状，旨在通过改进学习算法本身来解决深度学习中包括数据和计算瓶颈在内的传统挑战，并提出了一种更全面的元学习方法分类，并重点介绍了几个应用领域，如少样本学习和强化学习，并讨论了未来研究的未解决的问题和有前景的方向。
Apr, 2020
该论文回顾了元学习的概念和应用，其与深度学习的不同之处在于其能够适应于少量高维数据集，可以用于模型自适应，可不断自我完善实现高度自主的人工智能。元学习不断发展创新，不同的发展方法已有不同的应用和研究方向，进一步拓展了机器学习的应用领域。
Apr, 2020
本论文研究了多任务学习（MTL）与基于梯度的元学习（GBML）之间的关系，通过理论和实证研究证明了它们在优化公式和学习到的预测函数上的相似性，并通过样例展示了MTL作为一阶方法可以代替计算代价高的二阶方法——GBML，在大规模数据集上训练时更加有效。
Jun, 2021
元学习在多任务学习、迁移学习、领域适应和持续学习等方面发挥重要作用，本文综述了元学习的技术概览，并强调了其在现实应用中对数据稀缺或昂贵的重要性，并突出了元学习与多任务学习、迁移学习、领域适应和持续学习之间的关系。此外，本文还探讨了元学习的其他高级话题，并强调了该领域未来研究的开放问题与挑战。通过综合最新的研究进展，本文全面阐述了元学习及其对各种机器学习应用的潜在影响。我们相信，这个技术概览将有助于推动元学习及其在解决现实世界问题中的实际应用。
Jul, 2023