التعلم البيزي الميتا السطحي للتعرف على القليل من الأمثلة في العالم الحقيقي

المحاولات الحديثة المتميزة في التعلم القليل العينات تركز على تطوير إجراءات تدريب فعّالة لتمثيلات الميزات، قبل استخدام فئات بسيطة مثل فئة "أقرب مركز". في هذه الورقة، نتبع نهجًا متعامدًا لا يعتمد على الميزات المستخدمة، ونركّز حصريًا على التعلم التشاركي (meta-learning) لطبقة الفاصل الفعلية. وبشكل خاص، نقدّم MetaQDA، وهي تعميم بايزي للتحليل التمييزي التربيعي الكلاسيكي، يعتمد على التعلم التشاركي. ويتمتع هذا الإطار بعدة مزايا تهم الممارسين: فالتعلم التشاركي سريع وفعال من حيث استخدام الذاكرة، دون الحاجة إلى تحسين الميزات. كما أنه لا يعتمد على الميزات الجاهزة التي تُختار، وبالتالي سيواصل الاستفادة من التطورات في تمثيلات الميزات. من الناحية التجريبية، يؤدي هذا النهج إلى أداء قوي في التعلم القليل العينات عبر المجالات، وبشكل حاسم للتطبيقات الواقعية، فإنه يُحسّن معايرة عدم اليقين في التنبؤات.