该论文介绍了一种基于元学习的低资源自动语音识别的方法，通过用多语言进行预训练并使用模型无关元学习算法（MAML）来快速适应目标语言，该方法名为 MetaASR，经过初步测试，发现该方法在各个目标语言中均显著优于现有的多任务预训练方法，而且开启了一种将元学习应用于更多语音相关应用的新研究方向。

Oct, 2019

提出了一种基于元学习的新框架来改进之前的模型无关元学习（MAML）方法，该方法采用多步损失（MSL）来解决 MAML 方法的稳定性问题，其实验表明 MSL 显著提高了训练过程的稳定性和整个系统的准确性，优于各种语言的 MAML 低资源 ASR 系统的字符错误率和稳定性。

May, 2022

本文利用元学习算法 (MAML) 扩展低资源 NMT 问题，并通过多语言高资源任务进行学习来适应低资源语言，并利用全局词汇表解决不同语言的输入输出错配， 在使用 18 种欧洲语言作为源任务和 5 种不同的语言作为目标任务的情况下，相对于基于多语言、迁移学习的方法，表明所提出的方法显著优于现有方法，并仅需少量训练示例即可获得具有竞争力的 NMT 系统。

Aug, 2018

通过对不同的元学习方法、任务采样器和少样本学习任务进行实验，本文得出三个结论：首先，没有通用的任务采样策略可以保证元学习模型的性能；其次，任务多样性可能导致模型在训练过程中出现欠拟合或过拟合的情况；最后，模型的泛化性能受到任务差异、任务熵和任务难度的影响。为了应对这些发现，我们提出了一种新颖的任务采样器，称为自适应采样器（ASr）。ASr 是一种即插即用的任务采样器，利用任务差异、任务熵和任务难度进行任务采样。为了优化 ASr，我们重新思考并提出了一个简单而通用的元学习算法。最后，大量的实证实验证明了所提出的 ASr 的有效性。

Jul, 2023

本文介绍了一种用于解决儿童自动语音识别中数据稀缺问题所采用的基于元学习的模型初始化方法，首先验证了其有效性，然后通过模拟新年龄来提出了任务级别的增强方法，成功改善了学习器过拟合的问题，并达到了相对词错误率 (WER) 的提升率高达 51% 的效果

Feb, 2022

本篇论文提出了一种适应性激活网络，用于深度学习 ASR 模型的上层，并将不同的激活函数应用于不同的语言，通过交叉语言学习和多语言学习优化模型，达到了在 IARPA Babel 数据集上超越传统的基于瓶颈特征和从头训练两种方法的效果提升，结合交叉语言学习和多语言学习可以进一步提高多语言语音识别的性能。

May, 2022

本论文提出了一种基于元辅助学习的 ASR 和 NLU 联合训练方法，通过利用丰富的语音手动转录数据来提高低资源 SLU 任务的性能，无需访问任何语义注释，该算法的效率在公共 CATSLU 数据集上得到了证明。

Jun, 2022

该论文提出了一种元数据感知的语音表示学习框架（MASR），通过使用多个外部知识源来增强元数据信息的利用，以实现在语言识别、语音识别、说话人和情感识别等下游任务中较其他基准方法明显的性能提升，并对语言识别任务进行了详细分析，以阐明所提出的损失函数如何使表示能够区分密切相关的语言。

Jul, 2023

本文研究了在对抗样本的情况下的通用元学习。提出了一种元学习算法 ADML (Adversarial Meta-Learner)，它利用干净的和对抗的样本来以对抗的方式优化学习模型的初始化。研究结果表明，ADML 在包含对抗样本的情况下，比其他三种代表性的基于元学习的算法在两个广泛使用的图像数据集（MiniImageNet 和 CIFAR100）中表现更为出色，无论在准确性还是强健性方面。

Jun, 2018

本文提出了 HateMAML 框架，通过 meta-learning 技术和 self-supervision 策略在低资源语言下进行仇恨言论检测，并且达到了比现有方案更好的性能，同时兼备了跨语言迁移和领域泛化功能。

Mar, 2023