摘要

在传统的监督训练中，模型被训练以适应所有训练样本。然而，单一的整体模型并不总是最佳策略，因为样本之间可能存在较大的差异。在这项研究中，我们探索了一种不同的学习协议，即将每个样本视为一个独特的伪任务（pseudo-task），通过利用领域相关的相关性函数，将原始学习问题转化为少量样本的元学习场景。在WikiSQL数据集上的评估结果显示，我们的方法不仅实现了更快的收敛速度，而且相比非元学习方法，在绝对准确率上提高了1.1%至5.4%。