本文提出了一种理论框架，将任务相似性与在线凸优化和序列预测算法结合，提升元学习的实用性。该方法自适应学习任务相似性，优化动态任务环境中的算法性能，并改善少样本学习和联邦学习的表现。

本研究提出了一种高效的谱变换单元（STU）实现，解决了序列预测任务中效率低下的问题。STU及其变体在相同参数数量下超越了其他模型，具有显著的性能提升和广泛的应用潜力。

本研究使用保险数据构建双向LSTM神经网络，成功预测了医院诊断病例中患者30天再次入院的风险。与随机森林分类器相比，LSTM模型性能更好，证明了序列预测的重要性。加入30天历史数据后，模型性能显著提高，提示历史诊疗记录的重要性。

本文介绍了一种解决自然语言处理中元学习问题的方法，通过将调整和预测转化为序列预测问题，并在两个文本分类任务上进行了测试。结果表明，该方法更好地利用了语言模型的归纳偏差，提高了绝对 AUC ROC 评分。与不调优的'in-context learning'相比，'in-context tuning'通过元训练从'in-context'中学习，提高了平均 AUC-ROC 分数，并减少了方差和示例选择。