摘要
我们提出了一种全新的、严格形式化的PAC-Bayes元学习算法，用于解决少样本学习问题。所提出的方法将PAC-Bayes框架从单任务设定扩展至元学习的多任务设定，从而能够对任意任务（包括未见过的任务）及样本上的误差提供上界。此外，我们提出了一种基于生成模型的方法，以更灵活、更具表现力的方式估计任务特定模型参数的后验分布，相较于传统假设中采用对角协方差矩阵的多元正态分布，具有更强的建模能力。实验结果表明，使用该元学习算法训练的模型不仅具备良好的准确性，而且具有优异的校准性能，在少样本分类（mini-ImageNet和tiered-ImageNet）以及回归任务（多模态任务分布回归）的基准测试中，均取得了当前最优的校准效果与分类性能。