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

该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

Mar, 2023

元学习是通过系统观察不同的机器学习方法在各种学习任务上的表现，然后从这种经验或元数据中学习，以比以前快得多地学习新任务的科学。本章提供了该领域不断发展、令人着迷的最新概述，不仅可显著加速和改善机器学习流水线或神经结构的设计，还可以用数据驱动的方式学习新方法以取代手工设计的算法。

Oct, 2018

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

本论文旨在提供关于 Deep Meta-Learning 的理论基础以及总结关键的度量、模型和优化技术，同时也指出了性能评估和计算成本等主要挑战。

Oct, 2020

Awesome-META + 是一个元学习框架集成和学习平台，它提供一个完整和可靠的元学习应用和学习平台，旨在解决元学习的当前瓶颈问题，推动其发展并扩大社区，并适用于多领域任务。

Apr, 2023

这篇论文介绍了元学习的概念和原理，并阐述了元学习与传统学习和联合学习的比较。在讨论主要的元学习算法和元学习技术的定义的通用双层优化框架之后，提出了几个元学习的应用。此外还介绍了与新兴计算技术，即神经形态计算和量子计算相关的元学习一些方面。

Oct, 2022

通过信息理论设计的元正则化目标，可以使元学习器在任务训练数据和任务测试数据之间有效地适应，成功地使用来自非相互排斥任务的数据来有效地适应新任务，并在应用场景中大幅优于标准元学习算法。

Dec, 2019

本文提出了一种联合训练方法，将迁移学习和元学习相结合，从而在少分类、少样本以及多分类、多样本任务中均可获得更好的泛化性能。

Sep, 2018

通过提供一份综合调查报告，有组织地使用一致的术语和形式描述，本文旨在促进这个有前景的研究领域的进一步发展。

Nov, 2023