論文摘要：元學(xué)習(xí)允許智能代理利用先前的學(xué)習(xí)情節(jié)作為快速提高新任務(wù)性能的基礎(chǔ)。貝葉斯分層建模提供了一個理論框架，用于形式化元學(xué)習(xí)，作為對跨任務(wù)共享的一組參數(shù)的推斷。在這里，我們重新定義了Finn等人的模型不可知元學(xué)習(xí)算法（MAML）。 （2017）作為分層貝葉斯模型中概率推斷的方法。與通過分層貝葉斯進(jìn)行元學(xué)習(xí)的現(xiàn)有方法相比，MAML通過使用可擴展的梯度下降過程進(jìn)行后驗推理，自然適用于復(fù)雜函數(shù)逼近器。此外，將MAML識別為分層貝葉斯提供了一種將算法作為元學(xué)習(xí)過程進(jìn)行理解的方法，并提供了利用計算策略進(jìn)行有效推理的機會。我們利用這次機會提出了對MAML算法的改進(jìn)，該算法利用了來自近似推斷和曲率估計的技術(shù)。