Bei der konventionellen überwachten Trainierung wird ein Modell darauf abgerichtet, alle Trainingsbeispiele zu fitten. Allerdings ist eine monolithische Modellstruktur nicht immer die beste Strategie, da die Beispiele erheblich variieren können. In dieser Arbeit untersuchen wir ein anderes Lernprotokoll, das jedes Beispiel als eine einzigartige Pseudo-Aufgabe behandelt, indem das ursprüngliche Lernproblem mit Hilfe einer domänenabhängigen Relevanzfunktion auf ein Few-Shot Meta-Lernszenario reduziert wird. Bei der Auswertung am WikiSQL-Datensatz führt unser Ansatz zu schnellerer Konvergenz und erreicht absolute Genauigkeitsverbesserungen von 1,1% bis 5,4% im Vergleich zu den Nicht-Meta-Lern-Methoden.