- 探索基于频率感知的跨域少样本分类
通过提出一种基于频率感知提示的方法，该方法使用双向注意力模块来模拟人类视觉感知，在跨领域少样本分类中能够改善现有方法的性能。
- 通过元学习实现自动化的隐私保护技术
AUTOPRIV 是第一个自动化的隐私保护方法，利用元学习自动化进行去身份化过程，有助于安全发布用于机器学习任务的数据。它通过提供一系列有前景的解决方案来预测预测性能和隐私风险，从而在新领域内实现最佳近似。通过将计算复杂性和能源消耗大大降低 - MetaFollower: 适应性个性化自动车辆跟随
通过元学习，我们提出了一种可适应个性化车辆跟驰的 MetaFollower 框架，结合长短期记忆网络（LSTM）和智能驾驶模型（IDM），能够准确捕捉和模拟车辆跟驰行为的细微动态，并考虑到个体驾驶者的独特驾驶风格。与常规的自适应巡航控制系统 - 高效通信与隐私保护的分散化元学习
在这篇论文中，我们提出了一种名为 LoDMeta（本地分布式元学习）的方法，利用本地辅助优化参数和模型参数的随机扰动来降低通信成本并提高数据隐私保护。理论结果和实证结果都表明，LoDMeta 与集中式元学习算法相比具有相似的元学习准确性，但 - 使用 Transformer 神经过程的上下文学习
神经过程（NPs）是一类强大的元学习模型，旨在逼近元数据集中每个数据集从中抽样得到的地面真实随机过程的后验预测映射。我们在 NP 中增加了集成其他类似数据集的功能，描述了此范例作为上下文中的上下文学习。标准的 NP 架构（如卷积条件 NP（ - 发现最小的强化学习环境
通过元学习神经网络马尔可夫决策过程，我们发现专门的训练环境对于训练强化学习智能体具有潜在的速度提升能力，并且发现上下文为基的赌博机能够实现良好的评估环境转移，从而加速下游应用。
- 透过空中联邦元学习的预训练和个性化微调：收敛性与泛化性的权衡
本文研究了以元学习为基础的个性化联邦学习在无线环境中的泛化性能，通过研究信道受损对泛化和收敛之间的权衡关系，通过大量的数值实验证实了该理论。
- 概率短期负荷预测的堆叠方法
本研究探索元学习领域，结合点预测与概率短期电力需求预测，在量位线性回归、量位回归森林以及涉及残差模拟的后处理技术的基础上生成量位预测。另外，我们引入了全局和局部元学习的变种。在局部学习模式中，元模型使用最接近查询模式的模式进行训练。通过在 - KDD针对学习鲁棒分类器的伪装感知元学习
通过元学习训练图像分类器以减少对伪相关性的依赖，以实现对伪相关性的鲁棒性，同时在不知道先验信息的情况下获得了五个基准数据集上最好的鲁棒性。
- 深度神经网络的元学习损失函数
探索利用元学习概念来改善性能，尤其是通过损失函数这个常常被忽视的组成部分。损失函数是学习系统的重要组成部分，它代表了主要的学习目标，在系统成功优化该目标的能力上进行了量化。
- 盲超分辨率：元学习与马尔可夫链蒙特卡洛模拟
通过元学习和马尔可夫链蒙特卡罗 (MCMC) 的盲图像超分辨率 (SISR) 方法，从有组织的随机性中学习核先验，同时提出基于元学习的交替优化策略实现一个基于学习的即插即用的盲 SISR 解决方案，通过对合成和真实数据集进行广泛的模拟，表明 - 多教师多目标元学习在零样本高光谱波段选择中的应用
多老师多目标元学习网络 (M3BS) 是一种新颖的用于零样本高光谱波段选择的方法，通过构建通用的图卷积网络 (GCN) 生成数据集无关的基础，从多个波段选择任务中提取兼容的元知识，通过多目标元学习实现与多老师波段选择任务的联合优化，无需重新 - 元学习的神经程序偏差
通过神经程序化偏差元学习（NPBML）的提出，我们可以通过元学习的过程来赋予神经网络特定的程序化偏差，以实现对分布式学习任务的高性能表现。
- 公平感知元学习与纳什谈判
为了解决机器学习中群体层面公平性的问题，我们提出了一个两阶段元学习框架，第一阶段使用纳什谈判解决超梯度冲突，将模型引导到帕累托前沿，第二阶段优化特定的公平目标。
- ACL语言模型在上下文中学习什么？结构任务假设
本文通过一系列来自常见文本分类任务的实验，实证地探索了解释大型语言模型（LLMs）在上下文中学习的三种假设，证伪了前两种假设，并提供了支持最后一种假设的证据。结果表明，LLMs 能够通过组合在预训练期间学习的任务来上下文中学习一个新任务。
- 正标 - 未标分类的元学习
我们提出了一种元学习方法，用于正负样本未标记分类，从而提高仅使用 PU 数据获得的二元分类器在未知目标任务中的性能。该方法使用包含正向、负向和未标记数据的相关任务，在使用 PU 数据调整模型之后，最小化了测试分类风险。通过使用神经网络将每个 - 元学习中的隐私挑战：对模型无关元学习的调查
使用 MAML 算法作为案例，研究了元学习中潜在的数据泄漏问题，并提出了针对任务数据的成员推断攻击，以及用于保护任务数据隐私和防止攻击的噪声注入方法。实验证明了这些攻击对 MAML 的有效性以及适当的噪声注入方法在对抗这些攻击中的功效。
- ICML学习贝叶斯原理的持续学习
在当前深度学习时代，为了在训练神经网络时使用随机梯度下降处理非平稳流数据时减轻遗忘现象，我们采用元学习范式来结合神经网络的强表示能力与简单统计模型对遗忘现象的抵抗能力，在我们的新颖元持续学习框架中，持续学习仅在统计模型中进行，而神经网络在原 - 化工过程建模的基础模型：物理信息适应的元学习
我们在非线性化学过程建模领域引入了基础模型的新应用，通过元学习和物理信息驱动的适应性构建出具有快速适应于任何新化学过程的单一、通用的神经网络（即基础模型），在几个数据样本的情况下，我们的方法在各种化学反应中取得了优于常规方法的性能。
- FeMLoc：面向物联网网络中自适应室内无线定位任务的联邦元学习
FeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴