نُقدّم خوارزمية لتعلم الميتا، وهي خوارزمية غير مُربوطة بنموذج معين، بحيث تكون متوافقة مع أي نموذج يتم تدريبه باستخدام الانحدار التدرجي، ويمكن تطبيقها على مجموعة متنوعة من مشكلات التعلم المختلفة، بما في ذلك التصنيف والانحدار والتعلم التوسعي. ويتمثل الهدف من تعلم الميتا في تدريب نموذج على مجموعة متنوعة من مهام التعلم، بحيث يتمكن من حل مهام تعلم جديدة باستخدام عدد قليل جدًا من عينات التدريب. في نهجنا، يتم تدريب معاملات النموذج بشكل صريح، بحيث يؤدي عدد قليل من خطوات الانحدار التدرجي باستخدام كمية صغيرة من بيانات التدريب من مهمة جديدة إلى أداء جيد في التعميم على تلك المهمة. وبعبارة أخرى، تُدرّب خوارزميتنا النموذج ليصبح سهل التخصيص الدقيق (fine-tuning). ونُظهر أن هذا النهج يؤدي إلى أداء متميز على مستوى الحد الأقصى من الكفاءة في بenchmarkين لتصنيف الصور بعينات قليلة، ويُحقّق نتائج جيدة في الانحدار بعينات قليلة، كما يُسرّع عملية التخصيص الدقيق في التعلم التوسعي باستخدام سياسات تعتمد على الشبكات العصبية ذات الانحدار الاتجاهي.