論文摘要：基于梯度的元學習已被證明具有足夠的表現力，可以近似任何學習算法。 盡管先前的此類方法已在元學習任務中取得成功，但它們訴諸于簡單的gradientdescentduringmeta測試。 我們的主要貢獻是MT-net，它使元學習者能夠了解每個子層的激活空間，該子空間的任務指定清除器在其上執行梯度下降。 另外，MT-net的任務特定學習者相對于元學習距離度量執行梯度下降，這會使激活空間對任務身份更加敏感。 我們證明了這個學習的子空間的維度反映了任務特定學習者的適應任務的復雜性，并且我們的模型對初始學習速率的選擇不如以前的基于梯度的元學習方法敏感。 我們的方法在幾次快照分類和回歸任務上都達到了最新或相當的性能。