- CVPR通过在难样本上进行元学习以提高泛化能力
学习重加权（LRW）方法用优化准则分配训练实例权重，以在代表性验证数据集上最大化性能。我们提出并形式化了在 LRW 训练中优化选择验证集的问题，以提高分类器的泛化能力。使用难以分类的实例作为验证集，在理论上与实证的有效性存在强烈的关联。我们 - CVPR三维人体姿态估计中的领域泛化的双增强框架
我们提出了一种新的框架，使用两个姿势增强器，以应对 3D 人体姿势估计领域普遍化中的若干限制，并通过元优化模拟领域移位，从而显著提高姿势估计器的普适能力。
- 批处理 - ICL: 有效、高效和无序背景学习
通过将上下文学习（ICL）视为元优化过程，本文解释了为什么 LLMs 对 ICL 示例的顺序敏感，从而引导我们开发了一种有效、高效且无序的 ICL 推理算法 Batch-ICL。与标准的 N-shot 学习方法不同，Batch-ICL 使用 - 无梯度学习量子神经网络优化
本文提出了一种新颖的元优化算法，通过对量子电路的参数进行元优化，从而最小化目标函数，避免了经典梯度优化的局限性，通过实验和理论论证，在不同数据集上，相比现有基于梯度的算法，该方法可以更快更稳定地达到更好的效果。
- CoVLR：协调跨模态一致性和内部模态结构的视觉语言检索
本论文提出了一种名为 Coordinated Vision Language Retrieval (CoVLR) 的新方法，利用 meta-optimization 来协调交叉模态对齐和单模态群集维护，从而同时确保交叉模态一致性和单模态结构 - 在线对比学习的知识蒸馏在视觉识别中的应用
论文提出了一种互惠对比学习（MCL）框架来进行基于网络的集成学习，可以提高模型的特征表达能力，从而提高视觉识别任务的性能。
- KDD全面公正的元学习推荐系统
本篇论文提出了一个全面的公平元学习框架 CLOVER，针对电子商务系统中推荐冷启动问题的存在，通过多任务对抗学习，实现个体公平、反事实公平和群体公平，前人工作已经表明推荐系统容易受到偏见和不公平对待，但该框架能够显著提高推荐性能而不影响整体 - CVPR基于图式元聚类和正则化适应的局部自适应人脸识别
本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模 - ICLR自助元学习
本文提出了一种算法来解决元学习中的元优化问题，通过自我教育的方式实现优化及扩展了有效的元学习层数， 在 Atari ALE 基准测试中取得了最新的最佳表现，并展示了在多任务元学习中节省了模型训练时间的能力。
- House-GAN++：生成对抗布局优化网络
通过一种基于生成对抗网络的自动化平面图生成方法，使用基于图的相关生成对抗网络和条件生成对抗网络的集成，并在迭代布局细化过程中使用之前生成的布局作为下一个输入约束。该研究提出了一种名为组件方式 GT 调节的简单非迭代训练过程，有效地学习这样的 - ICLR高效自动化深度强化学习
本文提出了一种基于群体的自动化强化学习（AutoRL）框架，该框架在优化超参数和神经网络结构的同时训练智能体，提高了元优化的采样效率。在 MuJoCo 基准套件中的 TD3 算法中，我们将元优化所需的环境交互次数减少了一个数量级。
- MAMO: 冷启动推荐的记忆增强元优化
该论文介绍了一种基于元学习和元优化的推荐系统解决方案，通过两个记忆矩阵来引导模型进行个性化参数初始化，并测试了该方法在两个常用推荐数据集上的可行性。
- ICML利用学习的方法保证调整步长
本论文在简单问题上给出了学习优化算法的元优化保证，并展示了关于学到的优化器的性质。
- ICLR随机元优化中短视偏差的理解
本文从短时间视角出发，分析元优化算法对学习率设置存在的短视偏差问题，并在标准基准数据集上运行元优化实验，并通过比较不同时间视角下的最优调度进行分析，旨在解决元优化算法在实际神经网络训练过程中表现不佳的问题。