في التدريب الإشرافي التقليدي، يتم تدريب النموذج ليناسب جميع أمثلة التدريب. ومع ذلك، قد لا يكون اعتماد نموذج موحد دائمًا الاستراتيجية الأفضل، نظرًا لتباين الأمثلة بشكل كبير. في هذا البحث، نستكشف بروتوكول تعلم مختلف يعالج كل مثال كمهمة وهمية فريدة، من خلال تقليص المشكلة الأصلية للتعلم إلى سيناريو للتعلم الميتا (meta-learning) بقليل من الأمثلة باستخدام دالة صلة تعتمد على المجال. عند تقييمه على مجموعة بيانات WikiSQL، أدى نهجنا إلى التقارب بشكل أسرع وحقق زيادة في الدقة المطلقة بنسبة 1.1٪-5.4٪ مقارنة بالنظائر التي لا تعتمد على التعلم الميتا.