摘要

元学习已被广泛应用于实现少样本学习和快速模型适应。一类元学习方法旨在学习如何调控梯度下降过程，以使基于梯度的学习具备更高的训练速度和更强的泛化能力。本文提出一种新方法，通过将神经网络的模型参数限制在低维隐空间中，从而控制其梯度下降过程。该方法的主要挑战在于，通常需要一个参数量较大的解码器。为此，本文设计了一种具有典型结构的解码器，并通过在解码器中共享部分权重，有效减少了所需参数的数量。此外，本文还引入了集成学习方法，与所提出的框架协同使用，以进一步提升性能。实验结果表明，该方法在Omniglot分类任务和miniImageNet分类任务上均展现出优于现有方法的性能。