M1 · 元学习全景
元学习的三大范式——基于优化、基于度量、基于模型。核心目标是"学会如何学习"：从一组任务分布中提取可迁移的元知识，使其在新任务上只需少量数据和几步更新即可快速适应。
M2 · MAML 算法
模型不可知元学习（Model-Agnostic Meta-Learning）。通过二阶梯度在任务分布上寻找一个好的初始化参数 θ，使模型对任意新任务仅需 1~5 步梯度下降即可快速适应。适用于任何基于梯度的模型。
M3 · 度量学习
孪生网络、匹配网络、原型网络——学习一个好的特征空间用于少样本分类。核心思路：不更新参数，而是学一个相似度度量，通过比较查询样本与支持集样本的距离完成分类。
M4 · 元强化学习
Meta-RL 让智能体学会快速适应新的 MDP（马尔可夫决策过程）。从任务分布中学习元策略，智能体通过与环境交互的历史隐式推断当前任务，从而在新任务上快速调整行为。
M5 · 快速适应机制
从几百样本到几个样本，元学习如何实现极速适应。元学习模型在新任务的前几步梯度更新中，损失就能快速下降到很低水平，而标准学习需要大量样本和迭代才能收敛。
M6 · 元学习与预训练
元学习 vs 迁移学习 vs 预训练-微调，三种范式的联系与区别。三者都利用源任务知识帮助目标任务，但在知识形式、适应方式、目标函数上有本质差异。
M7 · 元学习架构搜索
用元学习自动搜索最优网络架构（NAS）。One-Shot NAS 与 DARTS 将架构搜索转化为超网权重的连续优化，用梯度下降代替离散搜索，大幅降低搜索成本。
M8 · 少样本学习
1-shot 和 5-shot 学习，元学习在极端数据稀缺场景的应用。N-way K-shot 任务设置：N 个类别各 K 个支持样本，模型需对查询样本正确分类。元学习是实现少样本学习的主流范式。