Байесовское обучение с малым числом примеров (Bayesian Few-Shot Learning)

Байесовское обучение с малым числом примеров сочетает байесовский вывод с метаобучением, чтобы позволить модели обобщать на основе всего от одного до пяти размеченных примеров на класс. Рассматривая параметры, специфичные для задачи, как случайные величины и изучая информативный априорный закон для множества обучающих задач, метод обеспечивает калиброванные оценки неопределенности наряду с предсказаниями — ключевое преимущество перед детерминированными методами обучения с малым числом примеров.