一、核心目标不同
1. 半监督学习（Semi-Supervised Learning, SSL）
目标：
在标注数据很少、未标注数据很多的情况下，提高模型在当前任务上的性能。
本质问题是：
“如何更好地利用未标注数据，弥补标注样本不足？”
2. 元学习（Meta-Learning）
目标：
让模型具备快速适应新任务的能力，用很少的数据就能学会一个新任务。
本质问题是：
“如何让模型学会‘如何学习’？”
二、学习对象不同
| 维度 | 半监督学习 | 元学习 |
|---|---|---|
| 学习对象 | 单一任务 | 任务分布 |
| 数据结构 | 有标注 + 无标注（同一任务） | 多任务，每个任务样本很少 |
| 泛化目标 | 同一任务上的泛化 | 新任务上的快速适应 |
三、元学习方法
基于优化的：MAML、Reptile
基于度量的：ProtoNet、Matching Net
基于模型的：Meta-LSTM、Meta-Transformer
关键点：在任务层面进行训练与泛化。
四、训练与推理阶段差异
半监督学习
训练阶段：有标注 + 无标注
推理阶段：普通预测
任务不变
元学习
元训练阶段：多个任务
元测试阶段：新任务，小样本快速适应
明确区分 support / query
