可解释元学习权重调整方法及系统

本发明提供了一种可解释元学习权重调整方法及系统，其中方法首先通过元学习框架对多任务历史数据集进行预训练，获得通用初始化参数；在线阶段利用元编码器生成用户与市场状态的特征表征，并通过权重适配器预测智能体初始权重，随后在包含收益损失、风险损失和解释一致性损失ECL的联合损失函数驱动下执行少量梯度更新，实现毫秒级个性化适配，得到最终权重。解释一致性损失ECL作为解释函数的正则化项，在训练阶段约束模型归因向量的稳定性，以解决现有可解释人工智能方法解释结果不一致的问题。本发明可应用于智能交易、推荐系统、工业预测等需高实时性与监管透明度的场景。