WWW2020的DL4G论坛，William L. Hamilton做了关于元学习与图上逻辑规则推导的报告，55页ppt。

元学习CODEBRIM 我们的CVPR19论文“使用COncrete缺陷桥桥梁图像数据集进行多目标混凝土缺陷分类的元学习卷积神经体系结构”的开源代码： 或 如果您使用内容（例如数据集），请引用该论文： Martin Mundt，Sagnik Majumder，Sreenivas Murali，Panagiotis Panetsos，Visvanathan Ramesh。 具有混凝土缺陷桥图像数据集的多目标混凝土缺陷分类的元学习卷积神经体系结构。 IEEE计算机视觉与模式识别会议（CVPR），2019年 数据集 该数据集位于： : 请注意，该数据集仅被许可用于非商业和教育用途，如上面链接中数据集随附的许可证文件所指定的那样。 这是数据集的示例（本论文的图1）： 论文代码 开源代码包括：PyTorch和TensorFlow数据加载器，MetaQNN的PyTorch代码和ENAS

论文摘要：学习学习是使模型能够更有效，更有效地从数据中学习的强大范例。一种流行的元学习方法是训练一个循环模型，以将训练数据集作为输入并输出一个学习模型的参数，或者输出对新测试输入的预测。另外，一种新的元学习方法旨在获取可以通过标准梯度下降有效地微调到新任务的深度表示。在本文中，我们从通用性的角度考虑元学习问题，将学习算法近似的概念形式化，并将上述递归模型的表达能力与将梯度下降嵌入元学习器的最新方法进行比较。特别是，我们试图回答以下问题：深度表示与标准梯度下降相结合是否具有足够的能力来近似任何学习算法？我们发现，这确实是我们的实验，而且是进一步的实验，基于梯度的元学习始终能够导致与递归模型所代表的策略相比，具有更广泛的泛化学习策略。

小样本学习是当前研究关注的热点。这篇论文总结了2016年到2020年的小样本元学习文章，划分为四类：基于数据增强; 基于度量学习，基于元优化; 和基于语义的。值得查看！

元学习(meta learning) 最新进展综述论文，共28页

作为一种比传统机器学习方法更有效的训练框架，元学习获得了广泛的欢迎。然而，在多模态任务等复杂任务分布中，其泛化能力尚未得到深入研究。近年来，基于多模态的元学习出现了一些研究。本综述从方法论和应用方面提供了基于多模态的元学习景观的全面概述。我们首先对元学习和多模态的定义进行了形式化的界定，并提出了这一新兴领域的研究挑战，如何丰富少样本或零样本情况下的输入，以及如何将模型泛化到新的任务中。然后我们提出了一个新的分类系统，系统地讨论了结合多模态任务的典型元学习算法。我们对相关论文的贡献进行了调研，并对其进行了分类总结。最后，提出了该领域的研究方向。

元学习框架TF 2.0 这是一个框架，可以轻松地将元学习技术应用于不同的数据集。 该存储库涵盖了包括UMTRA在内的几种元学习算法。 有关UMTRA发布期间的存储库，请转到 。 只需单击一下即可读取数据集并生成训练/验证/测试类。 然后将任务提供给元学习算法并运行它，并使用张量板记录训练和验证指标。 最后，您可以评估测试集上的结果。 我们支持用于分类的一系列元学习算法，包括 ， ， ， ， 和 。 我们正在增加更多，并高兴地欢迎新的贡献。 对于数据集，我们支持著名的元学习基准，包括Omniglot，Mini-Imagenet，CelebA。 我们还支持所有数据。 此外，我们支持跨域元学习的数据集：EuroSat，PlantDisease，ISIC，ChestXRay8。 最后但并非最不重要的一点是，您可以在使用Tensorflow 2.0和Keras定义的任何模型上运行算法

本文综述了元学习在图像分类、自然语言处理和机器人技术等领域的应用。与深度学习不同，元学习使用较少的样本数据集，并考虑进一步改进模型泛化以获得更高的预测精度。

动手使用Python进行元学习：使用Tensorflow使用一键式学习，MAML，爬行动物，Meta-SGD等进行学习学习

元学习CODEBRIM 我们的CVPR19论文“使用COncrete缺陷桥桥梁图像数据集进行多目标混凝土缺陷分类的元学习卷积神经体系结构”的开源代码： 或 如果您使用内容（例如数据集），请引用该论文： Martin Mundt，Sagnik Majumder，Sreenivas Murali，Panagiotis Panetsos，Visvanathan Ramesh。 具有混凝土缺陷桥图像数据集的多目标混凝土缺陷分类的元学习卷积神经体系结构。 IEEE计算机视觉与模式识别会议（CVPR），2019年 数据集 该数据集位于： : 请注意，该数据集仅被许可用于非商业和教育用途，如上面链接中数据集随附的许可证文件所指定的那样。 这是数据集的示例（本论文的图1）： 论文代码 开源代码包括：PyTorch和TensorFlow数据加载器，MetaQNN的PyTorch代码和ENAS