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