التعلم الميتا القائم على PAC-Bayes مع توزيعات احتمالية محددة للمهام بشكل ضمني

نقدّم خوارزمية جديدة ومحسّنة بدقة من نوع PAC-Bayes للتعلم التكيفي (meta-learning) تُعالج مشكلة التعلم القليل (few-shot learning). تُعدّ الطريقة المقترحة تمديدًا للإطار النظري PAC-Bayes من بيئة تعلم مُهمّة واحدة إلى بيئة تعلم تكيفي متعددة المهام، بهدف تقييد الخطأ المُحسَّب على أي مهمة، حتى تلك التي لم تُراقب من قبل، وعلى أي عينات. كما نقترح نهجًا قائمًا على التوليد (generative-based) لتقدير التوزيع اللاحق (posterior) لمعاملات النموذج المخصصة لكل مهمة، مما يتيح تمثيلًا أكثر تعبيرًا مقارنة بالافتراض الشائع القائم على التوزيع الطبيعي متعدد المتغيرات مع مصفوفة تباين قطرية. ونُظهر أن النماذج التي تم تدريبها باستخدام خوارزمية التعلم التكيفي المقترحة تكون دقيقة ومتوازنة جيدًا، وتُحقق نتائج متميزة من حيث التوازن (calibration) والتصنيف على معايير التعلم القليل (mini-ImageNet وtiered-ImageNet) وعلى معايير الانحدار (انحدار توزيع المهام متعدد النماذج).