浅层贝叶斯元学习用于实现现实世界中的小样本识别
本文提出一种新的贝叶斯模型无关元学习方法，结合可伸缩的基于梯度的元学习和非参数变分推断，通过一个有原则的概率框架去学习复杂的不确定性结构，并且在meta-update时使用鲁棒的贝叶斯meta-update机制防止过拟合。此方法在各种任务中展现了准确性和鲁棒性。
Jun, 2018
提出了一种名为MetaOptNet的元学习方法，该方法使用线性预测器作为基本学习器来学习用于少样本学习的表示，并表现出了在一系列少样本识别基准测试中，在特征大小和性能之间提供更好的折衷方案，并取得了最先进的性能。
Apr, 2019
介绍了三个无需参数的改进方案（a）基于将交叉验证适应到元学习的更好的训练流程，（b）使用有限的边界框注释来定位目标的新型架构，以及（c）基于双线性汇总的特征空间的简单无需参数的扩展，这些改进共同使得算法能够在真实世界的识别问题中表现更好。
Apr, 2019
本研究关注元学习及其在few-shot分类任务中达到优秀表现的特征提取器，提出元学习模型表现优秀的原因并给出一种正则化方法来改进标准训练方法，在很多情况下，该方法不仅可超越元学习，且快速度又快。
Feb, 2020
本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。
Mar, 2020
本研究提出，以meta-training data为基础，先学习一个监督或自我监督的表征，再在表征上训练线性分类器，可以优于现有的few-shot learning方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。
Mar, 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MetaDelta——一个用于少样本图像分类的实用元学习系统，包括多个元学习器和一个元组合模块，能够有效提高时间和资源利用效率，同时对未知数据集具有更好的泛化能力。MetaDelta在AAAI 2021 MetaDL挑战赛中获得第一名，代码公开可用。
Feb, 2021