该综述旨在利用元学习的视角重新审视生物智能研究领域中的既有研究，并将这些工作放入同一框架中进行，同时讨论 AI 和神经科学之间的最新交互点以及从这种视角出发出现的有趣新方向。

Nov, 2020

本文利用数学分析和元学习（或 ' 学习学习 '）框架回答了何时学习这种自适应策略以及何时将启发式行为硬编码的问题。我们发现，生态不确定性，任务复杂性和代理的寿命相互作用对代理执行的元 - 学习度量贝叶斯推断具有关键影响。

Oct, 2020

该研究探讨了大脑皮层神经回路中突触可塑性、神经元之间的连接和电信号传递，指出如何通过训练循环神经网络学习新任务并改变环境适应能力，同时发现人工网络和真实大脑使用相似的计算策略。

Dec, 2022

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

本论文提供了一个新颖的概念框架，包括四个基本的认知机制，这些机制同时协作运作，以实现幼儿元学习（学习的知识和调控）策略的实施。通过讲述核心机制和相关策略的路线图，作为解释发生在发展中大脑中的跨情境学习能力的基础。选择基本的互补过程四元组来共同代表裸骨的元学习架构，可作为模拟类脑学习和解决问题能力的人工智能（AI）系统扩展。利用元学习启动的年轻思维作为类脑计算的模型，本研究进一步讨论了道德基础的人工智能的重要影响。

Sep, 2023

受生物神经元可塑性启发，我们提出了一种搜索方法，通过寻找突触特异的赫比学习规则，使网络能在智能体的生命周期内持续自组织其权重，从而实现在一些强化学习任务中取得成功，同时对多种感官模态处理方式具有适应性。

Jul, 2020

提出了一个新型的元强化学习模型，MetODS，利用动态连接权重和突触可塑性来进行连续的自我反思修改，实现了在代理策略空间中高效和强大的控制规则的学习。

Feb, 2022

通过建立一个稳定性与可塑性均衡、具有多个学习模块的学习系统，我们提出了一种通用方法，可以适度减弱旧记忆在参数分布中的影响，以提高学习可塑性，并通过协调多学习者架构确保解决方案的兼容性。经过大量的理论和实证验证，我们的方法不仅明显提高了持续学习的性能，尤其是在任务增量设置中超过了突触正则化方法，还可能推进神经适应机制的理解，成为推动人工智能和生物智能共同进步的新范例。

Aug, 2023

本文基于 CONAIM 模型，以增量方式学习程序，并通过增加学习过程的奖励函数提高认知代理的认知复杂性，从而解决了复杂任务。

Apr, 2023

本研究在分析人类和神经网络在元强化学习范式中通过定抽象特征区分任务表现的差异，其中构建了一种新方法 “任务合成体”，其具有相似的统计特征但使用不同的基础生成过程。结果表明，人类在抽象任务上表现比任务合成体更好，而常见神经网络架构在抽象任务上的表现比匹配的任务合成体更差。

Apr, 2022