Bayesian Meta-Learning：贝叶斯元学习

CH-07-10-017·约 17 分钟·深度学习·更新 2026-08-11

成都有一家川菜馆，掌勺三十年的王师傅，拿手菜上百道。他收徒弟不教菜谱，只教“做菜的心法”。三天后，徒弟面对一道没见过的新菜，也能做出八九不离十——因为他学到的是经验，不是配方。更难得的是，徒弟还有一份“分寸感”：对每道新菜，他清楚自己哪一步有把握，哪一步得请教师傅。这就是贝叶斯元学习的精髓。元学习教给AI的不是某个具体任务，而是“怎样快速学会新任务”；贝叶斯元学习更进一步，用概率的语言把它讲透——AI不仅给出答案，还诚实地告诉你这个答案有几分把握。这篇文章，我们以王师傅的厨房为背景，把贝叶斯元学习的前世今生讲透：概率框架如何建立、层级模型如何共享知识、贝叶斯MAML与经典MAML的差异、不确定性如何被估计和利用、少样本学习中的应用，以及训练中的优化与挑战。让AI也拥有王师傅“有把握就出手，没把握就请教”的智慧。

岗位关联

对AI从业者而言，掌握贝叶斯元学习，意味着你不仅能做出“会学习”的模型，还能让它知道自己知道什么、不知道什么——这是AI在高风险场景落地的一把金钥匙。

可视化演示
概率框架
层级贝叶斯
贝叶斯MAML
不确定性估计
少样本应用
优化与挑战
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示Bayesian Meta-的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Bayesian Meta-：贝叶斯元贝叶斯元学习的概率框架与核心思元学习中的后验更新与变分推断核心机制可视化 Bayesian Meta-整体架构与关键组件

概率框架

王师傅从不背菜谱，但心里装着一本“无形的菜谱”。每炒一道菜，他都在悄悄修订这本菜谱。面对一道从没做过的新菜，他并不会慌乱：先调动多年经验在脑中快速勾勒一个大致的思路（先验），再观察食材、配料和工序（数据），最后把两者融合，形成“这道菜多半该这么做”的分寸（后验）。整个过程一气呵成，前后不过几分钟。

在贝叶斯元学习中，“一道道菜”就是一个个任务。任务不是孤立存在的：川菜、粤菜、湘菜，都来自“中餐”这个共同根源。数学家把这种同源性写成一个上层分布 p(T)——所有任务都从这个分布中采样而来。元学习的目标，就是利用一批任务的训练数据，学会一个元参数 θ 来描述“中餐的规律”。有了 θ，将来面对陌生地方的菜系，模型就有了立足点。

现在让镜头拉近到某个具体任务 i。它有自己专属的参数 φ_i——好比某家川菜灶台的独特火候习惯。模型观察到该任务的若干训练样本 D_i^tr，就可以用贝叶斯公式把“经验”和“样本”粘合起来，得到任务参数的后验：

后验分布就是“综合经验与现实之后的最终把握”——不仅告诉模型最佳参数在哪，还告诉模型这个参数范围有多宽。先验宽，说明经验不足；后验窄，说明证据非常集中。王师傅看一道新菜，先凭经验定个八九分，再尝两口把剩下的十分之一填满。贝叶斯元学习的每次任务内更新，做的正是这件“先有分、再有数”的事。

\displaystyle p(\phi_i | \mathcal{D}_i^{tr}, \theta) \propto p(\phi_i | \theta) \cdot p(\mathcal{D}_i^{tr} | \phi_i)

后验 = 先验 × 似然（除以归一化常数）。先验来自元知识，似然来自任务数据，后验是“结合两者后的最终判断”。

先验项 p(φ_i | θ)元先验 θ 告诉“这类任务的一般参数长得什么样”。王师傅的经验告诉他，川菜通常重油重辣——这是他对“新川菜馆”的先验判断。
$p(\phi_i | \theta)$
似然项 p(D_i^tr | φ_i)当前任务的数据有多支持这个参数。师傅亲眼看了这家店的调料台，发现花椒确实特别多——数据验证了经验。
$p(\mathcal{D}_i^{tr} | \phi_i)$
后验 p(φ_i | D_i^tr, θ)融合的结果，也是后续预测要用的分布。师傅最终对“这道菜该怎么做”有了综合把握。
$p(\phi_i | \mathcal{D}_i^{tr}, \theta)$
正比号 ∝分母是遍历所有可能参数的归一化常数，多数情况下无法直接算出，实际中都用近似手段。
$\propto$

层级贝叶斯

王师傅的厨房有一套完整的管理体系：后厨分冷菜、热菜两间，热菜间再分川菜灶台和粤菜灶台。每个灶台的厨师有自己的小习惯、小配方，但所有灶台都受同一套厨房守则约束——食材验收标准、出菜顺序、调料补给规则。守则不是一成不变的，哪个灶台反馈了更好的处理方式，厨房守则就修订一次。

这就是层级贝叶斯模型的灵魂。元参数 θ 是顶层的“厨房守则”；任务参数 φ_i 是底层各个灶台的“小处方”。模型在多个任务上训练时，θ 的全部证据来自各个任务后验的综合：

积分符号揭示了一个容易被忽略的细节：模型不把每个任务看成“只有一个正确答案”，而是老老实实地考虑每个任务可能的各种参数情况，把它们的加权贡献计入守则修订。任务 1 学到的东西通过 θ 流向任务 2——这就是“知识共享”。王师傅的徒弟们很快会发现：今天在川菜灶台改进的“快速出菜的锅气控制”，下周就会出现在粤菜灶台的标准操作流程里。因为守则更新了，所有灶台都受益。

\displaystyle p(\theta | \mathcal{D}_{all}) \propto p(\theta) \cdot \prod_{i=1}^{T} \int p(\phi_i | \theta) \cdot p(\mathcal{D}_i | \phi_i) \, d\phi_i

括号里是“单个任务对后验的贡献”：把该任务所有可能的参数都考虑进来（积分），再乘以任务数据在对应参数下的概率。所有任务的贡献连乘，共同塑造元先验。

对 φ_i 积分一个任务的具体参数并不确定，它的后验有多种可能。积分把所有可能的参数都枚举了一遍，相当于“每个灶台的多种做法都要纳入守则修订的考量”。
$\int p(\phi_i | \theta) \cdot p(\mathcal{D}_i | \phi_i) \, d\phi_i$
连乘 ∏每个任务独立贡献自己的证据，厨房守则要在所有灶台的经验上修订，而不是偏袒某一家。
$\prod_{i=1}^{T}$
元先验 p(θ)对 θ 本身的初始假设，一般取宽泛分布，表示“还没有偏好的时候，什么都可能”。
$p(\theta)$
后验 p(θ | D_all)见过全部任务后，修订出的最终厨房守则，之后任何新任务都要遵守它。
$p(\theta | \mathcal{D}_{all})$

贝叶斯MAML

经典元学习算法 MAML——Model-Agnostic Meta-Learning——是少样本学习领域响当当的名字。它的思路非常朴素：与其为每个任务从头训练，不如先学一个最通用的初始参数，让新任务从良好的起点出发，做几步梯度下降即收敛。这就好比教徒弟“先学会颠勺、控火、调味的基本功，再学具体菜品”。

但王师傅的徒弟很快就发现了 MAML 的短板：它只教了“从哪里起步”，却没教“起步之后对自己的判断有多大把握”。贝叶斯 MAML（BMAML）补上了这一块。它把“梯度微调几步”升级为“一次贝叶斯后验更新”，并且学习的是一个任务参数分布，而不是一个孤零零的点。BMAML 的优化目标如下：

与 MAML 的对比在数学上清晰：MAML 输出一个确定的 φ_i = θ - α∇L(θ)，BMAML 输出一个分布 q(φ_i)——前者像一份死板的菜谱：“按这三步做”；后者像老厨师手把手传授：“菜谱是这样，但这次把握只有七成，火候可能还要再收一点。”这正是贝叶斯处理不确定性的魅力：不只告诉你答案，还告诉你答案的可信范围。

\displaystyle \mathcal{L}(\psi) = \mathbb{E}_i \Big[ \mathbb{E}_{q(\phi_i | \psi)} \log p(\mathcal{D}_i^{tr} | \phi_i) - \mathrm{KL}\big( q(\phi_i | \psi) \| p(\phi_i | \theta) \big) \Big]

这个目标函数要同时做两件事：让任务参数在变分后验下拟合好任务数据（第一项），又不要让任务参数偏离元先验太远（第二项，KL 项）。KL 项也可以理解为“经验与现实的偏差惩罚”。

变分后验 q(φ_i | ψ)真实后验很难算，我们用一个简单的条件高斯分布 q 去近似它，ψ 是控制这个分布形状的参数。
$q(\phi_i | \psi)$
期望内层从 q 中采样任务参数，计算对数似然并取平均。采样的参数能拟合任务数据，这个值就高，鼓励分布集中在“会做菜”的参数上。
$\mathbb{E}_{q(\phi_i | \psi)} \log p(\mathcal{D}_i^{tr} | \phi_i)$
KL 散度衡量 q 与元先验 p(φ_i | θ) 的距离。q 若偏离先验太离谱就会被惩罚，这与“经验传承”的直觉完全一致——学新菜可以，但不能把基本功丢光。
$\mathrm{KL}\big( q(\phi_i | \psi) \| p(\phi_i | \theta) \big)$

不确定性估计

王师傅最让徒弟折服的是“自知之明”。做凤尾腰花，他敢拍胸脯；做三文鱼刺身，他如实说只有七八分把握；做哥本哈根新派料理，他直接摊手：“这道菜我心里没底，要多试几次。”这种诚实而精确的自我评估，来自他在无数任务中反复打磨出的不确定性估算能力。

在贝叶斯框架里，模型对某个输入的预测不确定性可以被干净利落地拆成两半：

一个少样本模型如果能区分这两项，就拥有了类似王师傅的决策智慧：万一预测不确定，是先补数据（压低认知项），还是调整对噪声的假设（处理偶然项）？在医疗和金融领域，这个区分直接关系到 AI 是否敢“自动做出判断”——不敢自动判断的时候，就应该果断转人工。

\displaystyle \mathrm{Var}(y | x, \mathcal{D}) = \underbrace{\mathbb{E}_{p(\phi|\mathcal{D})}\left[\mathrm{Var}(y | x, \phi)\right]}_{\text{偶然不确定性}} + \underbrace{\mathrm{Var}_{p(\phi|\mathcal{D})}\left[\mathbb{E}(y | x, \phi)\right]}_{\text{认知不确定性}}

偶然不确定性：数据本身带噪声，给多少样本都消不掉（鱼本身不新鲜，再会做也没用）。认知不确定性：模型对参数不确信，样本越多就越小（刀工练多了自然有底）。总方差 = 两者之和。

期望项（内部）在参数分布下，对每个参数各自的预测方差取平均，衡量的是数据本身的噪声水平。
$\mathbb{E}_{p(\phi|\mathcal{D})}\left[\mathrm{Var}(y | x, \phi)\right]$
方差项（外部）不同参数给出的预测均值之间的离散程度，反映模型对参数有多不确定。
$\mathrm{Var}_{p(\phi|\mathcal{D})}\left[\mathbb{E}(y | x, \phi)\right]$
总和总不确定性由两项相加构成，这是贝叶斯概率预测的经典分解。
$=$
样本增大的趋势样本数量增加时，认知不确定性衰减，总不确定性逐渐逼近不可消除的偶然不确定性。
$\text{样本增大} \Rightarrow \text{认知项衰减} \Rightarrow \text{总不确定性} \to \text{偶然项}$

少样本应用

少样本学习的场景，就像王师傅的徒弟第一次摸到分子料理的食材：只有几张示例图，却要交出一道像样的菜。最难的不是“做不出来”，而是“做出来但不知道自己做得对不对”。

贝叶斯元学习的应对策略很优雅：用支持集样本做后验更新，再把查询集预测建立在“分布加权平均”之上。也就是说，模型会同时考虑“一整批可能的任务参数”，而不是押注某一个参数：

支持集样本越多，后验越集中，投票结果越稳定。更妙的是，投票的离散程度直接告诉我们这次预测有多少把握。在只有 3-5 个样本的任务上，这种“诚实的集成”比任何硬训练的 CNN 都要可靠。王师傅的新菜速成班之所以能开，靠的正是“老经验带队 + 少量样本实时修正 + 自知之明兜底”这三板斧。

\displaystyle p(y | x, \mathcal{D}^{tr}) \approx \int p(y | x, \phi) \cdot q(\phi | \psi^*) \, d\phi

预测不再是“某一组参数算出来的一个数”，而是在后验分布上对预测做加权平均，相当于“同时咨询一整组资深厨师，再综合打分”。

支持集更新用少量标注样本（支持集）得到后验分布 q(φ | ψ)，ψ 是经过元学习确定的分布参数。
$q(\phi | \psi^*)$
边际预测在积分中把参数“平均掉”，只用可观测的 x 和 y 做预测，鲁棒性更强，且天然带不确定性输出。
$\int p(y | x, \phi) \cdot q(\phi | \psi^*) \, d\phi$
查询集评估在每个查询样本上计算带不确定性的概率，用于最终决策，比如低置信度自动转人工。
$p(y | x, \mathcal{D}^{tr})$
预测校准让预测置信度与真实准确率对齐，这是少样本模型上极难得的品质。
$\text{置信度} \approx \text{准确率}$

优化与挑战

要想把徒弟培养成王师傅，训练过程本身讲究火候。火太旺，新人只顾模仿眼前任务、把家传守则抛到脑后；火太小，新人畏手畏脚、迟迟学不到东西。贝叶斯元学习训练时的“火候旋钮”，就是下面这个 ELBO 目标：

实际训练中还有三座大山：后验积分的闭式解几乎都不存在，需用拉普拉斯近似或变分推断；无偏梯度估计的方差很大，通常要配合重参数化技巧；每个任务内部都要额外做一轮推断，训练成本比 MAML 高一个量级。好在前沿研究正在不断推平这些山丘——深度核学习、在线元学习、主动学习等方法，都在让“厨房守则”学得更快、更稳、更省力。回到现实：贝叶斯元学习不是魔法，而是一套把“经验”和“证据”翻译成概率的语言。它给 AI 带来的不仅是最佳答案，更是对答案的信心范围——而这，恰恰是机器从工具走向可信伙伴的必要一步。

\displaystyle \mathcal{L}_{ELBO}(\theta) = \mathbb{E}_i \Big[ \mathbb{E}_{q(\phi_i)} \log p(\mathcal{D}_i^{tr} | \phi_i) - \beta \cdot \mathrm{KL}\big( q(\phi_i) \| p(\phi_i | \theta) \big) \Big]

第一项让模型“学会新菜”，第二项让模型“记得老规矩”，β 是两者之间的杠杆。β 越大，模型越保守；β 越小，模型越激进。

重建项任务参数在变分分布下对任务数据的拟合程度，相当于“做新菜的水平”。
$\mathbb{E}_{q(\phi_i)} \log p(\mathcal{D}_i^{tr} | \phi_i)$
KL 项任务参数偏离元先验的惩罚，相当于“对祖传守则的敬畏程度”。
$\beta \cdot \mathrm{KL}\big( q(\phi_i) \| p(\phi_i | \theta) \big)$
β 权衡控制“经验传承”与“数据适应”的相对权重，是训练中最重要的超参数之一。
$\beta \in [0, \infty)$
期望对所有任务取平均，让元先验对各类任务都友好，而不是只对某个任务有效。
$\mathbb{E}_i[\cdot]$

AI 应用场景

罕见病辅助诊断

阶段：模型训练与部署（少样本适配 + 不确定性评估）

解决的问题：罕见病影像样本往往只有几十张甚至几张，传统 CNN 要么过拟合，要么在未知数据上“强行自信”。贝叶斯元学习从常见病数据中提取元先验，新罕见病只需 3-5 张标注影像做后验更新，同时输出置信度指标。置信度低于阈值的样本自动转医生复核，显著降低漏诊误诊。

具体案例：某三甲医院皮肤科试点，用源域常见皮肤病 1 万张图学习元先验，对 3 类罕见皮肤病各 5 张图做快速后验适配。上线后，“不确定”的样本被自动标记送专家会诊，漏诊率下降约 35%，医生复核工作量下降约 21%。

机械臂技能迁移

阶段：元学习训练与在线适配（仿真到真实迁移）

解决的问题：机械臂在仿真器中学了上百种抓取任务，迁移到真实环境时存在 domain gap。贝叶斯元学习让机械臂带着“抓取任务的参数分布”上手新物体，只需 3-5 次真实试错就能完成抓取规划，并给出成功率预期；成功率低于阈值时主动请求人工示教。

具体案例：某智能制造车间，机械臂原本为每种新品重新训练需要 8 小时。引入贝叶斯元学习后，新品换线时间压缩到 20 分钟，首次抓取成功率稳定在 92% 以上，且低置信度的抓取会自动触发安全回退策略。

Python 演示

python73 行

# -*- coding: utf-8 -*-"""贝叶斯元学习迷你演示王师傅的厨房: 每个任务=一道菜, 元学习=沉淀经验,新任务=新菜, 后验更新=尝一口就调整把握程度.""" import numpy as np  class BayesianTask(object):    def __init__(self, prior_mu, prior_var, noise_var=0.05):        self.prior_mu = prior_mu.copy()        self.prior_var = prior_var.copy()        self.noise_var = noise_var        self.post_mu = prior_mu.copy()        self.post_cov = prior_var.copy()     def update(self, X, y):        """用支持集样本做贝叶斯后验更新, 返回新的后验均值"""        phi = np.c_[np.ones(X.shape[0]), np.sin(X)]        beta = 1.0 / self.noise_var        inv_prior = np.linalg.inv(self.prior_var)        inv_post = inv_prior + beta * phi.T.dot(phi)        self.post_cov = np.linalg.inv(inv_post)        self.post_mu = self.post_cov.dot(inv_prior.dot(self.prior_mu)                                         + beta * phi.T.dot(y))        return self.post_mu     def predict(self, X):        """返回预测均值与预测方差(不确定性)"""        phi = np.c_[np.ones(X.shape[0]), np.sin(X)]        mean = phi.dot(self.post_mu)        var = self.noise_var + np.sum(phi.dot(self.post_cov) * phi, axis=1)        return mean, var  def meta_learning(n_tasks=60):    """在多个任务上做贝叶斯回归, 汇总得到元先验"""    rng = np.random.RandomState(0)    task_mus = []    for i in range(n_tasks):        x = rng.uniform(-2, 2, 8)        y = np.sin(x + rng.uniform(-1, 1)) + rng.normal(0, 0.1, 8)        model = BayesianTask(np.zeros(2), np.eye(2) * 10)        task_mus.append(model.update(x, y))    params = np.array(task_mus)    prior_mu = params.mean(axis=0)    prior_var = np.cov(params.T) + np.eye(2) * 1e-3    return prior_mu, prior_var  def main():    prior_mu, prior_var = meta_learning()    print("元先验均值:", np.round(prior_mu, 3))    print("元先验协方差(对角):", np.round(np.diag(prior_var), 3))     rng = np.random.RandomState(7)    x_new = np.array([0.8])    y_new = np.sin(x_new + 0.5) + rng.normal(0, 0.1, 1)    task = BayesianTask(prior_mu, prior_var)    task.update(x_new, y_new)     x_grid = np.linspace(-2, 2, 20)    _, var1 = task.predict(x_grid)    task.update(np.array([-0.3]), np.array([np.sin(-0.3 + 0.5)]))    _, var2 = task.predict(x_grid)    print("1个样本后平均预测方差: %.4f" % var1.mean())    print("2个样本后平均预测方差: %.4f" % var2.mean())    print("结论: 样本越多, 后验越集中, 不确定性越小")  if __name__ == "__main__":    main()

目的：演示贝叶斯元学习的核心流程——先在多个任务上做贝叶斯线性回归收集“任务经验”，汇总成元先验；再让一个新任务在只有 1 个、2 个样本时顺序做后验更新，直观看到预测不确定性随样本量增加而下降。

model = BayesianTask(np.zeros(2), np.eye(2) * 10)每个任务内先给一个很宽的先验，等价于“还没看到菜就猜想有很多种做法”。
task_mus.append(model.update(x, y))把每个任务的后验均值收集起来，构成任务经验的样本集。
prior_mu = params.mean(axis=0)所有任务经验取均值，作为王师傅的“经验中心”。
prior_var = np.cov(params.T) + np.eye(2) * 1e-3任务经验的散布程度就是“对经验有多笃定”，加小项保证数值稳定。
inv_post = inv_prior + beta * phi.T.dot(phi)精度相加是贝叶斯更新的核心：数据的信息量直接叠加到先验信息上。
self.post_mu = self.post_cov.dot(inv_prior.dot(self.prior_mu) + beta * phi.T.dot(y))后验均值是先验与数据的加权平均，权重由各自精度决定。
var = self.noise_var + np.sum(phi.dot(self.post_cov) * phi, axis=1)预测方差拆成偶然不确定性（噪声项）和认知不确定性（参数协方差沿输入方向的投影）之和。

常见误区

误区“贝叶斯元学习不就是 MAML 用随机种子多跑几次取平均，或者加个 dropout 吗？”

正解贝叶斯元学习是把元学习整体建模为概率推断问题。MAML 只输出参数的点估计，贝叶斯方法输出的是参数的后验分布。这远远不是“多次随机平均”能类比的——后验分布通过贝叶斯公式严格融合了“先验经验”和“任务数据”两个信息源，并给出可解释的不确定性量化。就像老厨师不是靠抛硬币决定放多少盐，而是靠经验分布指导下手。

为何常见：因为 MAML 的“快速适应”和贝叶斯元学习的“后验更新”都是做小样本微调，表面上看都是“在初始参数上加几步更新”，于是容易把概率化理解成“加了点随机性”。

误区“模型输出的方差就是一个附带数字，看起来不直观，实际部署时用不上。”

正解在高风险场景中，不确定性恰恰是决策的核心。贝叶斯元学习返回的不只是一个预测，还有“我对这个预测敢不敢打赌”。比如识别罕见病，有把握就自动出报告，没把握就转人工。这相当于给 AI 装了一个“自知之明”开关——比一味追求准确率更务实。

为何常见：传统深度网络的 softmax 输出往往过度自信，让人觉得“预测概率自带置信度”，而实际上 softmax 置信度与真实不确定性严重脱节，让人低估了不确定性估计的价值。

误区“先验分布就是网络第一层参数的初始值，从某个点开始训练。”

正解先验是一个分布，描述了“我认为所有可能的参数里哪些更合理”，是一个定义在整个参数空间上的函数。初始化只是从分布里随机抽一个具体的点。贝叶斯后验更新是在整个分布上做概率推断，而不是从某个初始点出发走梯度下降。老厨师的“经验”是一个完整的把握范围，不是某个固定的盐勺刻度。

为何常见：深度学习的标准流程总是“初始化参数 → 梯度下降”，让人自然把先验和初始化混为一谈，忽略了分布和点的本质区别。

误区“只要不断增加样本，贝叶斯模型的预测不确定性就会一直下降。”

正解偶然不确定性（数据噪声）不会因样本增加而消失。就像锅底有一层薄油，怎么擦都擦不干净——这个“擦不干净的部分”是偶然不确定性。贝叶斯方法的价值恰恰在于能区分它和认知不确定性：认知项会随样本下降，偶然项不会。如果误以为不确定性会无限趋零，就会在部署时对无法消除的噪声产生错误预期。

为何常见：人们习惯用均值函数做预测，只看到后验收缩的一面，忽略了方差分解的两部分，误以为不确定性可以完全消灭。

面试题

Q1. 贝叶斯元学习中，“元先验”指的是什么？

单选题 · easy

A.每个任务训练集的分布
B.跨任务共享的参数分布← 正确答案
C.验证集上调整的超参数
D.神经网络最后一层输出

答案：B。元先验是从多个任务中提炼出的共享参数分布，对应老厨师积累的“经验曲线”。A 是数据分布，C 是超参数，D 是网络输出，都不是贝叶斯意义上的先验。

Q2. 贝叶斯后验更新遵循哪条核心公式？

单选题 · mid

A.梯度下降法更新参数
B.后验正比先验乘似然← 正确答案
C.神经网络前向传播
D.交叉熵损失最小化

答案：B。贝叶斯更新就是“后验正比于先验乘似然”，即 p(φ|D) ∝ p(φ)p(D|φ)。A 是优化更新规则，C 是网络前向传播，D 是损失目标，均与概率推断的核心公式无关。

Q3. BMAML 与 MAML 的关键区别在哪？

单选题 · mid

A.网络层数更多更深
B.输出分布而非点估计← 正确答案
C.完全不依赖梯度计算
D.无法做少样本学习

答案：B。BMAML 输出任务参数的后验分布，MAML 只输出一个点估计。A 网络层数不是两者区别，C 错误（BMAML 仍需梯度），D 错误（两者都能少样本学习）。

Q4. 预测不确定性可以分解成哪两类？

单选题 · mid

A.认知与偶然不确定性← 正确答案
B.系统误差与随机误差
C.输入噪声与标签噪声
D.训练误差与测试误差

答案：A。贝叶斯框架把预测方差分解为认知不确定性（参数不确定，样本增多会下降）和偶然不确定性（数据固有噪声，不随样本减少）。B 是误差分析术语，C 是数据质量角度，D 是泛化评估指标。

Q5. 拉普拉斯近似的核心思想是？

单选题 · hard

A.对输入数据做数据增强
B.用高斯近似复杂后验← 正确答案
C.把后验转化为蒙特卡洛
D.用决策树替代后验

答案：B。拉普拉斯近似在后验的峰值点（MAP）处计算目标函数的二阶导数（曲率），用该曲率确定高斯分布的协方差，从而用高斯近似难以解析的后验。A 是数据增强，C 是采样方法，D 完全是另一种思路。

Q6. 少样本学习中，“支持集”的作用是什么？

单选题 · easy

A.训练模型的全部数据
B.用于快速后验更新的样本← 正确答案
C.网络测试的基准数据
D.存储额外超参数的集合

答案：B。支持集是少样本任务中用于后验更新的少量标注样本，相当于“王师傅尝的那两口菜”。A 错误，支持集只是极少量样本；C 是测试集；D 与支持集无关。

Q7. 贝叶斯元学习的优势有哪些？

多选题 · mid

A.可以输出预测置信度← 正确答案
B.支持少样本后验更新← 正确答案
C.对预测做概率校准← 正确答案
D.一定能减少参数量

答案：ABC。贝叶斯元学习输出分布，天然给出置信度（A），支持少样本后验更新（B），并能做概率校准（C）。D 错误，参数量不保证减少，有时还因分布参数而更多。

Q8. 关于层级贝叶斯模型，正确的说法是？

多选题 · hard

A.顶层参数作为元先验← 正确答案
B.任务间通过元先验共享← 正确答案
C.每个任务各自独立训练
D.支持多任务协同学习← 正确答案

答案：ABD。层级贝叶斯中顶层 θ 是元先验（A），任务通过 θ 共享信息（B），多任务协同更新守则（D）。C 错误，各任务并非独立训练，而是通过元先验紧密耦合。

Q9. 贝叶斯元学习的计算挑战包括？

多选题 · mid

A.后验积分往往没有闭式解← 正确答案
B.梯度估计的方差可能很大← 正确答案
C.参数量一定比 MAML 少
D.任务内需要做近似推断← 正确答案

答案：ABD。后验积分无闭式解（A），蒙特卡洛梯度方差大（B），每个任务内需拉普拉斯或变分近似（D）。C 错误，参数数量与贝叶斯化没有必然关系。

Q10. 认知不确定性主要源自哪里？

单选题 · hard

A.数据标签的人为噪声
B.模型对参数把握不足← 正确答案
C.随机梯度与随机种子
D.硬件计算时的浮点误差

答案：B。认知不确定性源于模型对参数不确信，本质是数据覆盖不足，样本增多会降低。A 属于偶然不确定性；C 是训练工程的随机来源；D 是数值计算的误差，均不是贝叶斯框架中的认知不确定性。