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

本文提出一种基于元度量学习的学习方法，在 $k$-shot $N$-way 和多样化领域任务及灵活标签数量等新设置中均具有优异性能。

Jan, 2019

提出了一个名为 Meta-Dataset 的大规模基准数据集，用于训练和评估模型在少样本分类问题上的性能，并探讨模型对不同训练来源的泛化能力和元学习的好处。

Mar, 2019

COMET 是一种元学习方法，通过学习沿着可解释的人类概念维度的模式知识，从而改进泛化能力，而不是学习一个联合的无结构度量空间。在各种领域中的少样本任务中，COMET 的表现优于强元学习基线，且提供模型预测背后的解释。

Jul, 2020

本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

Dec, 2018

本文提出了一个基于元学习的弱监督分割方案，并在医学成像领域进行了实验和对不同范例的比较分析，研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果，而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。

May, 2023

本篇论文提出了基于无监督元学习（UML）的通用嵌入向量生成方式用于 few-shot learning，并结合数据增强、半标准化相似度、混淆实例合成、任务相关嵌入变换等技术，取得了显著优于以前 UML 方法和甚至优于有监督方法的成果。

Nov, 2020

本文提出了一个名为 UMTRA 的算法，它在分类任务中执行无监督，模型无关的元学习，通过随机采样和增强来创建合成的训练任务，且只需要一定少量的标签。该算法在几项基准测试上表现优异。

Nov, 2018

本文提出了一种联合训练方法，将迁移学习和元学习相结合，从而在少分类、少样本以及多分类、多样本任务中均可获得更好的泛化性能。

Sep, 2018

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