我々は、教師ありメタラーニングのための機能的エンコーダ-デコーダアプローチを提案する。この手法では、ラベル付きデータを有限次元の表現ではなく、無限次元の機能的表現に変換する。さらに、直接表現を生成するのではなく、機能的勾配降下（functional gradient descent）に類似したニューラル更新則を学習し、反復的に表現を改善する。最終的な表現は、デコーダの条件付けに用いられ、ラベルなしデータに対する予測を実行する。本手法は、miniImageNetやtieredImageNetといった大規模な少サンプル分類ベンチマークにおいて、条件付きニューラルプロセス（conditional neural processes）を含むエンコーダ-デコーダ型メタラーニング手法の成功を初めて実証した。また、これらのベンチマークにおいて、最先端の性能を達成している。