نُقدّم شبكات النموذجية (Prototypical Networks) لحل مشكلة التصنيف بعينة محدودة (Few-Shot Classification)، حيث يجب على فئة تصنيفية أن تعمم على فئات جديدة لم تُرَ في مجموعة التدريب، مع توفر عدد قليل جدًا من الأمثلة لكل فئة جديدة. تعتمد شبكات النموذجية على تعلّم فضاء قياسي (Metric Space) يمكن من خلاله إجراء التصنيف عن طريق حساب المسافات إلى تمثيلات نموذجية (Prototype Representations) لكل فئة. مقارنةً بالأساليب الحديثة في التعلّم بعينة محدودة، فإنها تعكس انحيازًا استنتاجيًا أبسط يُعد مفيدًا في البيئات التي تفتقر إلى البيانات الكافية، وتحقيق نتائج ممتازة. ونقدّم تحليلًا يُظهر أن بعض القرارات التصميمية البسيطة يمكن أن تُحدث تحسينات كبيرة مقارنةً بالأساليب الحديثة التي تعتمد على اختيار هندسي معقد وتعلّم متعدد المستويات (Meta-Learning). كما نُوسّع نطاق شبكات النموذجية لتشمل التعلّم بدون عينات (Zero-Shot Learning)، ونحقق نتائج منافسة على مستوى الحالة الحالية (State-of-the-Art) على مجموعة بيانات CU-Birds.