التعلم بقليل من العينات أو بعينة واحدة للتصنيفات يتطلب تحيز استقرائي كبير نحو نوع المهمة التي يجب تعلمها. أحد الطرق للحصول على هذا التحيز هو من خلال التعلم الميتا (meta-learning) على مهام مشابهة للمهمة المستهدفة. في هذه الورقة البحثية، نقترح خوارزمية UMTRA، وهي تقوم بالتعلم الميتا غير المنظور وغير المرتبط بنموذج معين لمهام التصنيف. يتم تنفيذ خطوة التعلم الميتا في UMTRA على مجموعة مسطحة من الصور غير المصنفة. بينما نفترض أن هذه الصور يمكن تصنيفها ضمن مجموعة متنوعة من الفئات وأنها ذات صلة بالمهمة المستهدفة، لا يُحتاج إلى أي معلومات صريحة عن الفئات أو أي تسميات. تستعمل UMTRA عينات عشوائية وتضخيمًا (augmentation) لإنشاء مهام تدريبية اصطناعية لمرحلة التعلم الميتا. يتم استخدام التسميات فقط في الخطوة النهائية لتعلم المهمة المستهدفة، ويمكن أن تكون قليلة جدًا مثل عينة واحدة لكل فئة. في مقاييس الأداء للتعلم بقليل من العينات على Omniglot و Mini-Imagenet، تتفوق UMTRA على كل النهج التي تم اختبارها والتي تعتمد على التعلم غير المنظور للتمثيلات (representations)، بينما تتداول مع خوارزمية CACTUs الحديثة لتحقيق أفضل أداء. بالمقارنة مع نماذج التعلم الميتا المنظورة، تقوم UMTRA بتقديم بعض الدقة في التصنيف مقابل تخفيض كبير في عدد التسميات اللازمة بمقدار عدة درجات عشرية (orders of magnitude).