论文摘要：元学习允许智能代理利用先前的学习情节作为快速提高新任务性能的基础。贝叶斯分层建模提供了一个理论框架，用于形式化元学习，作为对跨任务共享的一组参数的推断。在这里，我们重新定义了Finn等人的模型不可知元学习算法（MAML）。 （2017）作为分层贝叶斯模型中概率推断的方法。与通过分层贝叶斯进行元学习的现有方法相比，MAML通过使用可扩展的梯度下降过程进行后验推理，自然适用于复杂函数逼近器。此外，将MAML识别为分层贝叶斯提供了一种将算法作为元学习过程进行理解的方法，并提供了利用计算策略进行有效推理的机会。我们利用这次机会提出了对MAML算法的改进，该算法利用了来自近似推断和曲率估计的技术。
