元学习进行元分析：它着眼于多种分析（这些分析又使用不同的假设、数据集和方法），并尝试通过一些概括甚至元模型来解释这些分析。长期以来，学术界一直使用这种一般思想来尝试概括和了解一个复杂的主题。在此设置中，情节将是分析之一以及相关的数据集和方法。

机器学习社区中的元学习需要许多数据集、方法、假设和结果，然后构建一个模型来解释所有这些结果。像Omohundro (1996)这样的早期工作将剧集视为从一个更大的数据集中抽取的样本，每个样本都被建模。Vilalta 和 Drissi (2002)（在元学习调查中）指出假设（又名“偏差”）也是分析的一部分。然后以某种方式对生成的模型进行平均或组合，从而产生元模型。Sun et al (2017)的这篇论文等最近的工作使用了一种概括，将完全不同的数据集、假设和模型的结果结合起来。最近一个优秀的调查由 Hospedales、Antoniou、Micaelli 和 Storkey (2020)进行。

从这些中，我们可以看到一个情节是（数据集、方法、假设、估计模型/结果）的元组，然后成为元分析中的观察。

在我看来，一个情节的正确定义应该是一批任务（通常称为元批次）。对于回归，如果我们有来自某个族的 100 个（例如，正弦函数），那么 1 集大小为 16 的元批量应该是 16 个函数，每个函数都有一个支持集和一个查询集。$f_i$

对于分类，情节仍然是（元）一批任务。在这种情况下，任务是 N-way K-shot 分类任务。例如，5-way，5-shot 将有 25 个支持集的示例，如果 Keval 为 15，则查询集有 75 个示例。在这种情况下，如果我们的元批量大小为 16，那么我们对 16 个任务进行采样，每个任务都有 25+75 个示例。所以一个元批次总共有 16*100 个示例。

事实上，根据这个定义，第 1 集与迭代步骤相同。当元批量大小为 1 时，一个任务就是一个插曲。

我无法想象为什么我们会将一集定义为一项任务，我曾在某个时候想到过。在这种情况下，我们对任务和情节使用相同的词。但是在每次迭代中都会完全发生一个学习片段。

不过，我宁愿根本不使用这个词，因为它似乎是多余的 + RL 已经使用了这个词，这在我看来增加了混乱。