เปรียบเทียบวิธี

	การเรียนรู้แบบน้อยตัวอย่างแบบเบย์ (Bayesian Few-Shot Learning)	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018-2019	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Gordon et al.; Finn, Xu & Levine	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Probabilistic meta-learning	Learning paradigm
แหล่งต้นตำรับ	Gordon, J., Bronskill, J., Bauer, M., Nowozin, S. & Turner, R. E. (2019). Meta-Learning Probabilistic Inference for Prediction. International Conference on Learning Representations (ICLR 2019).	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	Bayesian meta-learning, probabilistic few-shot learning, amortized Bayesian few-shot learning, Bayesian FSL	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	5	3
สรุป	Bayesian few-shot learning combines Bayesian inference with meta-learning to enable a model to generalize from as few as one to five labeled examples per class. By treating task-specific parameters as random variables and learning an informative prior across many training tasks, the method produces calibrated uncertainty estimates alongside predictions — a key advantage over deterministic few-shot learners.	Transfer learning is a machine learning paradigm in which knowledge gained from training a model on a source task or domain is reused to improve learning on a different but related target task or domain. It is especially powerful when labeled data for the target task is scarce, and it underlies most modern deep learning applications in computer vision, natural language processing, and beyond.