该文介绍了一种新的摊销变分推断方案，用于处理实证贝叶斯元学习模型。该方案使用变分自编码器方法在有限的训练数据上学习模型参数的先验分布，并建议在模型参数的条件先验和变分后验分布之间共享相同的摊销推断网络。与早期的 Monte-Carlo 近似方法相比，该变分方法避免了条件先验的崩溃并保留了模型参数的不确定性。在miniImageNet、CIFAR-FS和FC100数据集上的评估结果表明，该方法具有更好的性能。