- 虚拟现实视口预测中的鲁棒和资源有效的机器学习辅助
本文提出了一种基于元学习和机器学习的视口预测范式，旨在减少 360 度全景视频的资源消耗，提高视口预测的鲁棒性，该模型通过迅速适应每个用户，可以显着提高预测准确性。
- AAAI面向任务适应性元学习框架的空间泛化能力提升
提出了一种模型无关的元学习框架，采用任务自适应的公式将地域异质性数据集合成位置敏感的元任务，使模型适应大量异质性任务，并在实际社会应用中处理了空间相关的异质性任务。
- 基于 CSI 指纹的多环境元学习在无线电定位中的应用
本文提出了一种新的深度学习模型，通过学习环境无关的特征，并结合特定环境中的特征，基于多个环境的元学习方案来提高无线定位的精度和泛化性能。在新环境下使用该元学习模型初始化能够有效地进行转移学习，从而提高用户设备的定位精度。
- 非无线和无线网络上的联邦和元学习：教程
本文综述了联邦学习、元学习和联邦元学习在非无线与无线网络中的设计、优化和应用，并分析了这些学习算法之间的关系以及它们在实际应用中的优缺点。
- EMNLP元学习强化对话状态追踪的鲁棒性
本文提出了一种名为 MetaASSIST 的元学习框架，用于自适应学习困难的对话状态跟踪模型中共同固定的加权参数，并通过三种方案将其转换为可学习的函数进行元学习。实验结果表明，该框架可以实现竞争性能，并在 MultiWOZ 2.4 上实现了 - 红外：元虫侦测器
本文提出了一种名为元 Bug 检测的新方法，相比传统的静态分析工具和现有的基于学习的 Bug 检测工具，元 Bug 检测具有三个关键优势：泛型、自解释和样本效率。对该方法进行的全面评估表明，它能够有效地捕捉多种类型的 Bug，包括空指针解引 - 低资源语音识别的改进元学习
提出了一种基于元学习的新框架来改进之前的模型无关元学习（MAML）方法，该方法采用多步损失（MSL）来解决 MAML 方法的稳定性问题，其实验表明 MSL 显著提高了训练过程的稳定性和整个系统的准确性，优于各种语言的 MAML 低资源 AS - MetaCon：具有万亿概念元学习的统一预测分段系统
本文介绍了采用元学习方法开发的 MetaCon 系统，该系统运用扁平概念表示法，结合整个预测任务谱，有效地解决长尾预测任务的数据质量问题，从而在推荐系统和排序方面实现了明显的改进。
- ACL基于发音学特征的低资源文本转语音语言无关元学习
通过使用来自发音矢量而非语音学单元的嵌入来学习跨语言的音素表示，结合语言无关的元学习，使得我们只需要 30 分钟的语音数据即可在以前从未见过的语言中，通过微调高质量的文本转语音模型，并由以前未见过的发言者发音。
- 贝叶斯无模型元学习是否比无模型元学习可证明的更好？
本文对元学习方法中的贝叶斯 MAML 进行了理论分析，发现在元测试中，相比于模型不可知元学习和隐式 MAML，贝叶斯 MAML 可以提供更低的元测试风险。
- 元知识蒸馏
本文提出了一种元知识蒸馏（MKD）方法，利用可学习的元温度参数进行元学习，通过适应学习目标的梯度自适应地调整元参数以解决知识蒸馏（KD）的退化问题，从而在不同数据集规模、不同网络和不同数据扩增类型上实现了与当下最优秀方法相当的性能表现。
- ICMLPLATINUM: 基于次模互信息的半监督模型无关元学习
在本文中，我们提出了一种半监督的、模型无关的元学习框架 PLATINUM，它使用子模同信息函数（SMI）来增强 FSC 的性能，可以利用元训练过程中内外循环中未标记的数据，获得更丰富的元学习参数，特别是对于每个类别例子的小比例，其表现优于 - 基于深度元学习的多城市场景下细粒度轨迹旅行时间估计
通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。
- 自动化错误分析：学习错误特征
本研究提出了一种自动学习可解释规则的元学习方法，应用在 NLP 系统上，用以了解和改善系统的错误表现，并取得了一定的性能提升。该方法通过对验证数据的错误案例进行元特征提取以及规则学习，成功地为 VilBERT 和 RoBERTa 建立了可解 - ICCV具有困难感知的不平衡数据序列元学习
针对实际情况中任务分布动态变化和不均衡，本研究提出了一种基于核方法的领域变化检测和难度感知内存管理机制。同时，还引入了一种高效的自适应任务采样方法，最终在新的基准测试中得到了非常好的效果。
- 通过 Bregman 距离增强双层优化
本文提出了一种使用 Bregman 距离、具有低计算复杂度的增强型双层优化方法 BiO-BreD 和 SBiO-BreD，以解决双层优化问题，该问题的外部子问题非凸且可能非光滑，内部子问题强凸。通过数据超清理任务和超表征学习任务，证明了所提 - ACLBERT 学会教学：元学习的知识蒸馏
本研究提出了用元学习结合知识蒸馏的方法（MetaDistil），可以在固定教师网络期间更好地向学生网络转移知识。在多个实验基准上，MetaDistil 可以比传统的知识蒸馏算法产生更显著的改进，并且对不同的学生容量和超参数的选择不太敏感，有 - SIGIR学习图元嵌入以用于 CTR 预测中的冷启动广告
本文提出了基于图神经网络和元学习的 GME 模型，它可以快速学习如何为新广告 ID 生成理想的初始嵌入，并在真实数据集上展示了在冷启动和热身场景下 GME 大大改善了预测性能。
- SIGIR跨领域推荐的迁移元框架：针对冷启动用户
本文介绍了一种基于元学习的跨域推荐系统解决方案，采用 transfer-meta 架构，可以在感知用户洞察和推荐推广等方面获得更好的性能表现。
- 一种用于随机双层优化的单时间尺度方法
本论文提出了一种单时间尺度的随机双层最优化算法 (STABLE)，用于解决机器学习中的双层次优化问题，具有较高的效率和样本复杂度。