本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

Jan, 2019

提出了一个物理感知元学习的框架，该框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据，从而缓解了元学习需要大量真实世界任务的需要，以模拟数据为基础进行元初始化，并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。

Jun, 2020

本文提出了一种基于概率学习算法的元学习方法，使得通过很少的样本数据，模型可以从一个地理区域适应到另一个地理区域，结合地球科学的数据多样性，利用元学习的方式优化之后可以获得更高的表现作为地科领域的一项有益的工具。

Apr, 2020

提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

Oct, 2023

我们提出了一种新颖的基于异质性信息的元参数学习方案：通过学习空间和时间嵌入，隐式地捕捉了空间时间异质性，并提出了一种新颖的空间时间元参数学习范式，从元参数池中学习了空间时间特定的参数，以此开发了一种应用于空间时间序列预测的具有异质性信息的空间时间元网络（HimNet），在五个广泛使用的基准测试中的实验证实我们的方法具有最先进的性能，并展示了出色的可解释性。

May, 2024

本篇论文提出一种基于知识库组织方式的自动关系元学习（ARML）框架，它可以从先前完成的任务中自动抽取跨任务关系并构建元知识图，通过学习的元知识图解决任务异质性的挑战，同时提高模型可解释性。

Jan, 2020

利用从相关任务中提取的任务不变的先验知识，元学习是一种原则性的框架，能够在数据记录有限时有效地学习新任务。使用预条件器来处理权重更新的收敛问题是元学习中的一个基本挑战。现有方法通过增强每个任务的训练过程来处理这个挑战。然而，简单的线性预条件器很难捕捉复杂的损失几何结构。本文通过学习非线性的镜像映射来解决这个限制，从而引出一种通用的距离度量，能够捕捉和优化各种损失几何结构，从而促进每个任务的训练。在少样本学习数据集上的数值测试验证了这种方法的优越性和收敛性。

Dec, 2023

应用元学习于自监督遮蔽自编码器以实现时空学习的研究中，我们通过三个步骤进行探索。我们测试了应用元学习于现有先进表示学习架构的影响，并通过三种方法进行时空学习的测试，分别是仅应用元学习架构、仅应用表示学习架构，以及应用表示学习与元学习架构的组合。我们使用 Memory Augmented Neural Network (MANN) 架构来应用元学习于我们的框架。具体地，我们首先实验了在小规模时空数据集上应用预训练的 MAE 进行视频重构任务的微调。接下来，我们尝试训练 MAE 编码器并应用分类头来进行动作分类任务。最后，我们实验了在具备 MANN 骨干网络的情况下，应用预训练的 MAE 进行动作分类任务的微调。

Jul, 2023

通过信息理论设计的元正则化目标，可以使元学习器在任务训练数据和任务测试数据之间有效地适应，成功地使用来自非相互排斥任务的数据来有效地适应新任务，并在应用场景中大幅优于标准元学习算法。

Dec, 2019

通过选择多样的任务进行小批量处理，我们研究利用任务关联的外部知识来改善训练稳定性，进而减少训练中的噪音。

Dec, 2023