メタラーニングは、タスクの連続からモデルを学習することで、異なるタスク間での一般化能力と新しいタスクへの迅速な適応を可能にする手法である。本研究では、上位から下位への生成モデルの潜在空間においてエネルギーに基づくモデル（EBM）を学習することを提案する。これにより、低次元の潜在空間におけるEBMは効率的に学習可能であり、各タスクに対して迅速に適応できる。さらに、エネルギー項は連続的な潜在ベクトルとシンボリックなワンホットラベルを結合する構造を持つ。この結合形式により、ラベルが未知の状態でもモデルを教師なしで学習することが可能となる。本モデルはメタ学習の訓練段階では教師なしで学習され、テスト段階では半教師ありの評価が行われる。提案手法は、少量の学習例を用いたメタラーニングの標準ベンチマークであるOmniglotおよびMini-ImageNetにおいて評価された。その結果、従来の最先端メタラーニングモデルと比較して、競争力あるまたは優れた性能を達成した。