يقدم هذا البحث إطارًا جديدًا للتعلم الفعّال والمتعدد الاستخدامات في مجال البيانات. بصفة خاصة:1) نطور ML-PIP، وهو إطار عام لتعلم التعلم التقريبي للمستوى الاحتمالي للتنبؤ (Meta-Learning approximate Probabilistic Inference for Prediction). يوسع ML-PIP التفسيرات الاحتمالية القائمة لتعلم التعلم لتغطية فئة واسعة من الأساليب.2) نقدم VERSA، وهي حالة من الإطار تستخدم شبكة استدلال مرنة ومتعددة الاستخدامات تأخذ مجموعات بيانات التعلم السريع كمدخلات، مع أعداد متغيرة من العينات (shots)، وتنتج توزيعًا على المعلمات الخاصة بالمهام في عملية تمرير واحدة للأمام. تقوم VERSA بتعويض عمليات الأمثلة في وقت الاختبار بعمليات التمرير للأمام عبر شبكات الاستدلال، مما يقلل من تكلفة الاستدلال ويُخفف الحاجة إلى المشتقات الثانية أثناء التدريب.3) نقيم VERSA على مجموعات بيانات معيارية حيث يحقق هذا الأسلوب نتائج جديدة رائدة في المجال، ويتعامل مع أعداد متغيرة من العينات (shots)، وللتصنيف، أعداد متغيرة من الفئات في أوقات التدريب والاختبار. ثم يتم إثبات قوة هذا النهج من خلال مهمة إعادة بناء وجه ShapeNet الصعبة التي تتطلب التعلم السريع.