主流深度学习模型以大量监督数据为驱动，导致模型泛化能力依赖于监督数据的数量和质量。相比之下，人类拥有利用过去所学知识快速学习新概念的能力。因此，研究者们希望构建一种新的训练方法，使模型仅在少量训练样本的情况下学习，并具备良好的泛化能力。
目标及核心问题：仅使用少量标签数据训练模型，使之具有良好的泛化能力。
椭圆代表模型，最优解不一定在模型内，
表示为通过数据训练得到的经验风险，当数据足够多时其趋于
,小样本就如右图，两者之间的距离就是用经验风险替代模型期望风险带来的误差。
解决问题的三个角度：
1）data:数据增强，增加数据；
使用更多的数据作为先验来减少误差，两种方法：①将现有数据集进行变换，改善其分布，创造一些伪标签的数据（人工数据），比如计算机视觉里面进行训练前一般都会进行数据增强，将图片旋转一下位置或裁剪等，这些方法属于手动方法；还有一种方法是学习一种变换，将目前的数据集变换到另一个分布里，然后用变换后的增强数据进行训练；②是不用原来的数据集，而是借鉴其它数据集，比如一些没有标签的数据集或者相似的数据集。通过训练数据集训练一个小的模型对无标签数据的标签进行预测，然后利用原训练数据和伪标签数据组合成新的数据集（有噪声的）；对相似数据集进行采样，加权得到新的数据集。
2)Model：缩小搜索范围，从另一个起点出发，限制假设空间；
多任务学习：数据集里的其它任务共享参数，如果参数在多个任务上都表现得很好的话，该参数就被限制住了
硬参数共享：多个任务相互限制和辅助，软参数共享：参数相似
嵌入学习：把相似的任务放到一起，不相似的任务分开
嵌入学习（情景训练法）主要用在元学习方法上，目前主要用这种方法。
额外的记忆：检索记忆和存储记忆交互
生成模型：差不多的意思，主要是限制其分布，过于复杂，不稳定
3）Algorithm：使用更高效的算法，很好的搜索策略，不需要太多样本
正则微调：
组合参数：
把与目前任务相似的之前任务参数组合在一起，减缓搜索次数和样本数量
新参数微调：
用少量样本训练新分类器的少量参数，
微调元模型参数（通用初始化参数）一个经典的优化方法
适用于所有任务的参数
，在遇到新任务时，只需要少量的样本来更新
元优化器
