Aktuelle State-of-the-Art-Verfahren im Few-Shot-Lernen konzentrieren sich darauf, effektive Trainingsverfahren für Merkmalsdarstellungen zu entwickeln, bevor einfache Klassifikatoren – beispielsweise basierend auf dem nächsten Zentroid – eingesetzt werden. In diesem Artikel verfolgen wir einen orthogonalen Ansatz, der unabhängig von den verwendeten Merkmalen ist und sich ausschließlich auf das Meta-Lernen der eigentlichen Klassifikationsschicht konzentriert. Genauer stellen wir MetaQDA vor, eine bayessche Meta-Lern-Verallgemeinerung der klassischen quadratischen Diskriminanzanalyse. Dieser Ansatz bietet mehrere für Praktiker relevante Vorteile: Das Meta-Lernen ist schnell und speichereffizient, ohne dass eine Feinabstimmung der Merkmale erforderlich ist. Er ist unabhängig von den gewählten vorgefertigten Merkmalen und profitiert somit weiterhin von Fortschritten in der Merkmalsdarstellung. Empirisch zeigt sich eine robuste Leistung im Few-Shot-Lernen über Domänen hinweg und, was für reale Anwendungen entscheidend ist, eine verbesserte Unsicherheitskalibrierung der Vorhersagen.