利用层级潜变量模型，自动推断任务之间的关系并应用于模型强化学习中，从而实现在小规模数据集上的元学习，有效提高数据利用率，解决新任务的平均交互时间缩短高达 60%。

Mar, 2018

在短缺数据情况下，为贝叶斯机器学习模型提供适当的先验知识是主要挑战。最近元学习的进展提供了从相关任务中获得这些先验知识的强大方法。本文探索了高斯过程先验的平均函数元学习，提供了分析和经验证据表明均值函数的学习对于元学习是有用的，讨论了过拟合的风险，并与其他元学习方法进行了联系，如模型无关元学习和函数 PCA。

Jan, 2019

通过最小化测试期望标定误差来从各种任务的数据中元学习如何校准不确定性，并在未知任务中使用这些知识，以改善回归不确定性估计性能。通过将高斯过程和高斯混合模型集成到神经网络模型中，我们可以以端到端的方式元学习模型参数，从而在几次训练的情况下提高不确定性估计性能并保持高回归性能。

Dec, 2023

本文回顾和分析了当前流行的可扩展高斯过程回归模型的局部和全局逼近方法，主要包括稀疏逼近、混合专家模型和产品专家模型，并探讨了这些模型在数据规模大的情况下的应用前景。

Jul, 2018

利用相互信息和信息瓶颈的概念对元学习进行了建模，提出了一种通用的可行的框架，用于学习任务描述的随机表示或编码，该表示对于预测验证集具有高度的信息量，并开发了一种基于记忆的算法，用于少样本分类问题的研究。

Sep, 2020

ALPaCA 是一种使用神经网络的元学习算法，通过在数据集中学习一个特定领域的有限维特征编码和相关权重的先验，利用后验预测密度进行贝叶斯线性回归，以提高回归任务在机器人领域的可伸缩性和数据效率。

Jul, 2018

本论文提出了一种新的隐式贝叶斯元学习 (iBaML) 方法，通过交叉造用隐式微分的优点来控制常规显式梯度下降算法的可扩展性问题，并且这个方法可以扩展学习平均值，量化相关的不确定性，有效地解决了内部优化轨迹带来的设计复杂度限制。作者通过精确的误差界限和大量的数值测试来验证该方法。

Mar, 2023

该论文提出了一种基于在线模型的强化学习方法，用于解决未知任务边界的特定问题，在处理非静态任务分布变化方面表现优异。

Jun, 2020

本论文使用了基于随机推理网络的镜像梯度下降算法来实现高斯过程模型的推理，该算法针对大规模数据的情况具有可扩展性和易实现性，并且在实验中取得了与现有稀疏变分高斯过程方法相当甚至更好的表现。

May, 2019

该论文研究了高斯过程模型的能力和局限性，提出了一种具有可扩展性和统计效率的推理方法，探索了灵活的内核和用于学习超参数的客观函数。通过实验结果表明，这种方法在标准 MNIST 数据集上的性能优于所有之前报告的 GP 方法，并在 MNIST8M 数据集上突破了 1％的误差率，同时展示了它在分类问题中的可扩展性。总的来说，该方法在内核方法和 GP 模型方面取得了重大突破，缩小了深度学习方法和内核机器之间的差距。

Oct, 2016