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

本文提出了一种基于 Meta-learning 的多任务线性回归算法，该算法能够通过低维线性表示快速学习多个相关任务，同时将这些知识传递到新的未见过的任务中，并提供了信息论下限，证明了该算法的高效性。

Feb, 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

本研究提出了一系列用于强化学习的无监督元学习算法，以解决通过任务提案进行任务训练而非手动任务设计所带来的算法设计负担，并得出这些程序具有优异性能的结论。

Jun, 2018

Pylearn2 是一种灵活易用的机器学习研究库，旨在支持包括新型或不寻常用例在内的各种研究项目，并具备先进的分析算法和架构。

Aug, 2013

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

本研究采用 meta-RL 控制策略，结合模型基于信息离线培训，通过已知系统的动态规律 (parameters) 来自动适应过程的变化，实现对一、二阶系统的调节。

Sep, 2022

本文提出了一个开源的模拟基准测试，包含 50 个不同的机器人操作任务，以评估 7 种最先进的元强化学习和多任务学习算法在这些任务上的表现，发现这些算法在解决多任务时仍存在挑战，为未来的研究提供了实验环境。

Oct, 2019

本研究综合了先前的工作，旨在建立一个关于 cognition 的 meta-learned 模型的研究计划，证明 meta-learning 可以用于构建 Bayes-optimal learning algorithms，实现对 cognitive theories 的更加广泛的范围的建模

Apr, 2023

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