摘要

本文介绍了一种新的数据高效且多功能的学习框架。具体而言：1) 我们开发了ML-PIP（Meta-Learning approximate Probabilistic Inference for Prediction），这是一种用于元学习近似概率推理以进行预测的通用框架。ML-PIP扩展了现有的元学习的概率解释，涵盖了广泛的方法。2) 我们引入了VERSA，该框架的一个实例，它采用了一个灵活且多功能的摊销网络，可以接受少样本学习数据集作为输入，并在任意数量的样本情况下，通过一次前向传递输出任务特定参数的分布。VERSA用前向传递通过推理网络替代了测试时的优化过程，从而摊销了推理的成本，并在训练过程中消除了对二阶导数的需求。3) 我们在基准数据集上评估了VERSA，该方法在这些数据集上取得了新的最先进结果，能够处理任意数量的样本，并且对于分类任务，在训练和测试时都能处理任意数量的类别。随后，我们通过一项具有挑战性的少样本ShapeNet视图重建任务展示了该方法的强大性能。