该论文提出了一种概率元学习算法，通过从模型分布中采样并注入噪声，减少任务模糊性。研究表明，该方法在少样本学习中有效，提升了分类器和回归器的性能。此外，还提出了基于主动学习的多任务表示学习算法和基于子空间适应先验的梯度元学习算法，均在实验中表现出优越性。

该文介绍了一种更高效的概率元学习方法——APOVI-BNN，通过对贝叶斯神经网络的推理进行逐数据点摊销，获得了近似后验。作者将其看作神经过程家族的新成员，以此作为激励使用神经过程训练目标，以实现更好的预测性能。