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。

本文介绍了一种更数据高效的概率元学习方法，即APOVI-BNN。该方法通过摊销伪观测变分推理贝叶斯神经网络，提高了贝叶斯神经网络的推理质量。同时，APOVI-BNN作为神经过程家族的新成员，在复杂问题上具有更好的预测性能。在一维回归问题和图像完成设置中，APOVI-BNN在训练数据有限的情况下表现最好。