퓨샷 러닝(few-shot learning)은 다량의 데이터를 필요로 하는 딥러닝 패러다임에서 벗어나 소량의 학습 자원만을 활용할 수 있는 태스크에 대하여 효율적인 학습을 수행하고자 하는 학습 방식이다. 메타러닝 (meta learning)은 학습하는 방식을 학습하는 개념으로서 퓨샷 학습 문제를 효율적으로 해결할 수 있는 주요한 접근방식으로 많은 관심을 받고 있다. 최근 자연어처리 분야에서도 퓨샷 학습에 대한 필요성이 증대되고 있으나, 메타러닝을 수행하는 과정에서의 과적합 문제는 퓨샷 학습 모델의 일반화 성능 저하의 주요한 원인으로 지적되고 있다. 이에 본 연구에서는 메타학습을 위한 태스크를 증강시켜 메타 학습모델 (meta learner)의 일반화 성능을 향시키는 태스크 증강 기반 메타러닝 기법을 제안한다. 제안하는 방법론 은 소량의 학습 데이터만 보유한 퓨샷 지식 완성(few-shot knowledge completion) 문제에서 메타 과적합 을 완화하여 모델의 일반화 성능을 향상시킬 수 있음을 보여 보다 효율적인 지식 그래프 구축을 가능하 게 한다.