看论文，C刊及以下的一般不看介绍和相关工作部分，只看一眼本文贡献。
面对一项新任务时，LSTM的权重是固定的。
1.支持集的隐藏嵌入层并不是排列不变的。—>通过对训练样本的平均池化
2.学习算法和输入嵌入机制交错，带来优化挑战和增加过拟合风险—>解耦
LSTM
只是获取给定任务的训练数据，并根据生成的隐藏状态来调整新查询输入的预测。把支持集当作序列而非集合
LSTM’s predictions for unseen inputs (queries) are conditioned on the hidden state h_M and cell state c_M .
- Should make the hidden embedding be invariant to the order in which the examples are fed into the LSTM.
Outer Product LSTM
通过加上生成的隐状态和前一层输出的外积来更新当前隐藏矩阵。
adjusting the weights of the LSTM using backpropagation across different tasks
does not update the biases
base-learner ：
Use an LSTM to learn the weight update rule
good initialization parameters
Performance
与四种方法作对比：MAML、prototypical network、SAP、Warp-MAML；
在两类问题：few-shot sine wave regression、image classification benchmarks
分类是在三个数据集上：
- Omniglot
- miniImageNet
- CUB
within-domain few-shot image classification
实验部分设计
实验的随机种子，会影响初始化权重值，以及训练、测试、验证任务集。
2.测量更新方向之间的余弦相似度作为反距离度量，余弦相似度可以更好地衡量方向相似度，因为它从向量的大小中抽象出来。
3.用-表示在限制的资源下，实验并没有运行完成。
4.使用足够大隐藏维度的 LSTM 可以通过使用隐藏表示的前 N 个维度来执行学习并为下一个时间步保留重要信息，并使用剩余维度来表示输入表示，从而将学习与输入表示分开。
Cross-domain
拿两个数据集，在一个数据集上训练，在另一个数据集上校验，但是要保证两个数据集没有交叉？？？
Frobenius norm
一些吹嘘
作者一直在说OP-LSTM与其他方法正交，可以和其他方法同时使用，但是把它们留在了未来工作。