元学习，元，指的是万物的本质，Meta-Physics 指的是形而上学，即研究事物本质的哲学。元学习的含义有两层，第一层是让机器学会学习，让机器具备分析和解决问题的能力，机器通过完成任务获取经验，提高完成任务的能力；第二层是让机器学习模型可以更好地泛化到新领域中，并且在新领域中创新、综合，从而完成差异很大的新任务。元学习框架包括两个部分：（1）处理任务的基础层模型；（2）综合分析所有任务，并且指导基础层模型的元层，元层指导基础层模型更快更好地适应新任务。元层是综合所有问题解决经验的指挥层，代表知识层级中更加本质和普适的知识，能推广到新任务。基础层和元层表示任务包含的知识层级，基础层表示任务特性的知识，元层表示任务共性的知识。元认知是探索人类学习和认知方式的研究，人类将不同来源的信息进行综合，找到共同点和不同点，发现逻辑推理规律，进而创新，找到新问题的解决方案。例如，万有引力定律、作用力和反作用力都是人类长期观察客观世界，归纳总结，推导出来可以推而广之的客观物理定律。叶斯元学习适应法将贝叶斯方法融入元学习算法，扩大了学习器的选择范围，对分布进行抽样或者近似，加速学习器的更新，通过生成式的抽样方式，加入演化，使用有监督学习方式对学习器进行更新。模仿学习是机器人对另一个机器人或者人类的行为进行模仿，模仿人类或机器人的行为，估计奖励机制，然后根据奖励机制优化策略。类似地，元模仿学习是元学习和模仿学习结合产生的领域，使机器人通过一次模仿学会新动作。神经网络适应法依赖于深度神经网络模型丰富强大的表示力来描述复杂问题，在小样本高维输入数据上，神经网络模型对高维输入数据进行降维。由于样本少，神经网络模型参数很多，只能依靠对预训练的深度模型进行局部调参，适应到小样本任务上来解决问题。元学习模型可以借鉴过去的模型训练结果，这些结果存储在记忆模块中。记忆模块需要具备以下功能，一是记忆更新功能，二是记忆删除功能，三是记忆搜索功能。记忆模块可以被添加到任何神经网络模型中，在模型训练过程中，存储模型训练中产生的重要参数。在贝叶斯思想下，参数被视为随机变量，随机变量的概率分布用样本进行模拟。贝叶斯思想包括以下方面：一是根据联合分布和条件分布，生成新的数据，以假乱真，对数据集进行扩充；二是实现数据的遗传演化和渐变，根据新数据基于过去数据的条件分布，由过去的数据生成新数据；三是使用多层贝叶斯模型，对模型中的参数进行建模，给出所有参数的先验分布和后验分布；四是贝叶斯变分推理，给出后验分布的最优近似，快速有效，得到隐藏层参数或者背景参数的后验分布近似。