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

本文旨在为小样本自然语言处理元学习领域提供更清晰的定义、进展总结和一些常见的数据集，通过在具有丰富注释的各种任务上训练模型，实现在只有少量标记示例的情况下解决新任务的目标。

Jul, 2020

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

通过元学习方法，将任务和语言相互作用的表征共享，可提高自然语言处理任务和多语种任务性能。

Jan, 2021

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

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

深度神经网络在人工智能领域带来了革命性的进展，但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布，然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法，通过获取可传递的知识来快速适应各种任务，从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法，全面调查了元学习在领域泛化方面的贡献，详细介绍了该领域的基础知识，并提供了关于未来研究方向的实践见解和深入讨论。

Apr, 2024

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

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