本文探讨了变分不等式（VIs）学习中的快速泛化速率，提出了一种在强单调性条件下实现快速泛化的新方法。研究表明，满足特定条件的VIs可以通过更少的随机一阶oracle调用次数获得$ ext{ε}$-最优解，具有重要的理论与实践意义。

本文介绍了Meta Networks（MetaNet）的新元学习方法，通过快速参数化学习跨任务的元级知识，实现在新概念上的快速泛化和保持以前学习的性能表现。在Omniglot和Mini-ImageNet基准测试中，MetaNet模型接近人类水平且准确性优于基线方法高达6％。展示了MetaNet的泛化和持续学习等几个有吸引力的性质。