メタ学習手法は，少数の学習データしか得られない画像分類タスクに対しても分類精度を確保できる手法として注目されている．メタ学習の代表的な手法として，Model-Agnostic Meta-Learning (以下，MAML)がある．MAMLは，タスク間に共通の初期パラメータを学習することで，データが少量のみしか存在しない新たなタスクに対しても，少ないパラメータ更新で効率的に適応することを可能とする．しかし，MAMLでは全てのタスクに対して統一的にパラメータ更新を行うが，学習済みのタスクと新たなタスクの類似度は問題により異なるため，タスクごとに更新加減を適応的に変更することが望ましい．そこで本研究では，タスクに応じて学習率などの学習内容を調整することで，より性能の高いモデルを得る学習手法を提案する．具体的には，タスクごとに潜在変数を導入して，学習率などのパラメータに対する重みを導出すると共に，各潜在変数の推定を確率モデルにより定式化する．ベンチマークデータを用いた分類実験を通じ，提案法の有効性を確認すると共に，得られた潜在変数についての考察を行う．
