RTEDResearch on Teacher Education and Development3066-89993066-9006Art and Technology10.61369/RTED.2026050012Article元学习方法在机器翻译中的研究进展https://artdesignp.com/journal/RTED/2/5/10.61369/RTED.2026050012希润高娃2026252026-01-30元学习通过“学习如何学习”的范式，使模型能够从多任务训练中获得快速适应新任务的能力，为机器翻译在低资源语言、跨领域迁移和多语言零样本等数据稀缺场景下的性能提升提供了新的理论框架与实践路径。本文系统梳理了元学习方法在神经机器翻译领域的研究进展，首先介绍元学习的基本概念与核心范式，继而聚焦于模型无关元学习、元参数分离、课程元学习和联邦元学习等关键技术的创新与应用，进而从低资源机器翻译、无监督领域自适应、零样本跨语言迁移和多语言联邦学习四个维度分析元学习方法的具体成效，最后讨论当前面临的任务设计、数据隐私与泛化理论等挑战，并对元学习与大语言模型深度融合的未来方向进行展望。元学习方法,机器翻译,低资源翻译,研究进展

[1] 刘婉婉. 结合无监督元学习方法的神经机器翻译[J]. 信息技术与信息化,2021(01):241-243.[2] 马潇, 田永红, 赵伟. 基于神经网络的机器翻译研究综述[J]. 计算机工程与应用.2025,61(22):36-54.[3] 张晗. 基于预训练语言模型的持续学习方法[D]. 哈尔滨工业大学,2025.[4]PARISI G I,KEMKER R,PART J L,et al. Continual Lifelong Learning With Neural Networks: A Review [J].Neural Networks,2019,113（C）: 54-71.[5]Jiatao Gu, Yong Wang, Yun Chen, Victor O. K. Li, Kyunghyun Cho.Meta-Learning for Low-Resource Neural Machine Translation[J]. EMNLP 2018: 3622-3631.[6]WU T,LI X,LI Y-F,et al. Curriculum-Meta Learning For Order-Robust Continual Relation Extraction[C]// Proceedings of the AAAI Conference on Artificial Intelligence,2021:10363-10369.[7] 常鑫. 元学习框架下情景级蒙汉机器翻译系统的实现[D]. 内蒙古大学,2022.[8]Maurya K K, Desarkar M S. Meta-XNLG: A Meta-Learning Approach Based on Language Clustering for Zero-Shot Cross-Lingual Transfer and Generation [J]. arXiv preprint arXiv:2203.10250, 2022.[9] 王逸凡. 面向领域的机器翻译关键技术研究[D]. 电子科技大学,2024.[10]HOANG H,KHAYRALLAH H,JUNCZYS-DOWMUNT M.On-the-Fly Fusion of Large Language Models and Machine Translation[C]. ACL, 2024.