该论文提出了一种概率元学习算法，通过从模型分布中采样并注入噪声，减少任务模糊性。研究表明，该方法在少样本学习中有效，提升了分类器和回归器的性能。此外，还提出了基于主动学习的多任务表示学习算法和基于子空间适应先验的梯度元学习算法，均在实验中表现出优越性。

学习是强大工具，多任务表示学习中的遗憾数量级为O(根号(T/H))或O(根号(d_u d_theta) 根号(T) + T^(3/4)/H^(1/5))。多个代理的好处通过与单任务遗憾比较可见。在困难探索中，共享表示可减少特定任务参数数量。