本研究提出了一种元梯度下降（MGD）方法，旨在优化大规模机器学习模型的训练配置。MGD通过高效计算元梯度和“平滑模型训练”框架，在数据集选择和学习率调度方面显著提升了效果，优于现有的数据中毒攻击。

该文综述元强化学习进展，涵盖元梯度下降、学习如何学习、LPG算法、损失函数搜索、多任务选项发现、lambda自适应、超参数优化、高斯过程贝叶斯优化、离线元学习及MetaGenRL等方法，旨在提升样本效率与泛化能力，并在Atari上超越基准。