该工作提出了一种元学习算法，模拟了大型语言模型的能力，通过学习新的视觉概念而无需微调。该方法利用预训练特征提取器，并将元学习重新构造为对已知和未知标签的数据点进行序列建模。在8个元学习基准中，超过或与最先进算法相匹配，无需元训练或微调。

本文提出了一种理论框架，将任务相似性的复杂形式化与在线凸优化和序列预测算法融合。该方法能够自适应地学习任务相似性，提供更精确的转移风险界限，并在任务环境动态变化或任务共享几何结构的情况下导出高效算法的平均情况后悔界限。通过修改几种流行的元学习算法，改善了它们在少样本学习和联邦学习问题上的性能。

本文提出了一种利用元学习算法解决指纹定位问题的创新室内定位方法。通过历史定位任务改善适应性和学习效率，在动态室内环境中采用元学习范式。实验证明该方法在有限CSI数据场景中表现稳健且优越，平均欧几里得距离提升了23.13%。

本文介绍了MetaPrompting方法，利用元学习算法自动找到更好的提示初始化，提高了适应新任务的速度，并在四个数据集上取得了显著的改进，达到了新的最佳性能水平。

本文提出了少样本意图分类和槽填充的新任务，并通过三个公共数据集的少样本分割建立基准。研究发现，元学习算法和原型网络算法在基准上优于fine-tuning基线。预训练的语言模型与这些小样本算法相结合，可以进一步提高模型性能。

本文介绍了一种元学习算法，通过学习新的视觉概念而无需微调，模拟了大型语言模型的能力。该方法利用预训练特征提取器，并将元学习重新构造为对已知标签和未知标签的数据点进行序列建模。在8个元学习基准中，超过或与最先进算法相匹配，无需元训练或微调。

该文介绍了一种元学习算法，无需微调即可学习新的视觉概念，模拟了大型语言模型的能力。该方法在11个元学习基准中的8个中超过或与最先进算法相匹配，无需元训练或微调。

该论文提出了一种基于梯度的元学习算法，用于神经隐式形状表示，实现从部分或噪声观测数据中进行的几何重建。该方法比自动编码器的方法快一个数量级，并超过了基于编码器-解码器的池化网络集合编码器方法。

该论文介绍了神经隐式形状表示的概念，提出了一种基于梯度的元学习算法，以提高形状空间的泛化能力，实现从部分或噪声观测数据中进行的几何重建。该方法比自动编码器的方法快一个数量级，并超过了基于编码器-解码器的池化网络集合编码器方法。