我们提出了一种面向监督式元学习的功能型编码器-解码器方法，其中标签数据被编码为无限维的函数表示，而非传统的有限维表示。此外，我们并非直接生成该表示，而是学习一种类似于函数梯度下降的神经更新规则，通过迭代方式逐步优化表示。最终获得的表示用于条件化解码器，从而对未标记数据进行预测。该方法是首个在大规模小样本分类基准（如miniImageNet和tieredImageNet）上成功实现编码器-解码器风格元学习方法（如条件神经过程）性能突破的工作，并在这些任务上达到了当前最优的性能水平。