本稿では、条件付き事後モデルを推定するための新しいベイジアンメタ学習アプローチ「ニューラル変動ドロップアウトプロセス」（NVDP）を提案しています。NVDPは、タスク特有のドロップアウトに基づく条件付き事後分布をモデル化し、観測された幾つかのコンテキストからドロップアウト率をメモリ効率良くマッピングするために、ベルヌーイ専門家の低ランク積を活用します。この手法により、マルチタスク少数ショット学習において新しいタスクに素早く再構成されたグローバルで共有されたニューラルネットワークを適用できます。また、全タスクデータに基づく新しい事前分布を利用し、変分推論における条件付きドロップアウト事後を最適化します。これにより、多様な機能的曖昧性や不確実性に対応できるタスク特異的なドロップアウト率を堅牢に近似できることが示されています。提案手法は、1D確率回帰や画像補完、分類といった少数ショット学習タスクにおいて他のメタ学習手法と比較し、優れた性能を示しています。