本篇文章针对最新元学习综述《A Survey of Deep Meta-Learning》中的模型进行简单汇总 ，并提炼出三种元学习方法：基于度量的元学习、基于模型的元学习、基于优化的元学习的优缺点，以及元学习发展至今仍存在的问题，论文链接如下。
A Survey of Deep Meta-Learning arxiv.org同时欢迎点赞+关注小样本学习方法专栏，不定期更新小样本学习最新资料以及个人理解。欢迎各种形式交流讨论小样本领域相关内容。
小样本学习方法(FSL) www.zhihu.com
一：元学习方法优缺点及待解决问题
1：基于度量的元学习
- 训练模型不需要针对测试任务进行调整；
- 当测试与训练任务距离远时，效果不好；
- 任务变得更大时，逐对比较导致计算上成本昂贵；
2：基于模型的元学习：
- 由于其系统内部动力学的灵活性，相比大多数基于度量的元学习有更广泛适用性；
- 在很多监督任务上表现不如度量学习；
- 当数据量增大时，效果变差；
- 任务间距离大时，效果不如基于优化的元学习方法；
3：基于优化的元学习：
- 与基于模型的元学习相比，它们可以在任务分布更广泛的情况获得较优性能；
- 基于优化的技术需为每个任务优化base learner，导致计算成本昂贵；
4：元学习方法待解决问题：
- 在训练上过拟合，泛化在新任务上的表现不好；
- cross domain跨域问题；
- 训练速度和计算成本；
- ......
二：各元学习模型及论文题目汇总
来源：oschina
链接：https://my.oschina.net/u/4313437/blog/4831023