تم اقتراح التعلم الميتا كإطار للتعامل مع الإعداد الصعب للتعلم القليل الأمثلة. الفكرة الأساسية هي الاستفادة من عدد كبير من المهام المشابهة ذات الأمثلة القليلة لتعلم كيفية تكيف متعلم أساسي مع مهمة جديدة يكون فيها فقط عدد قليل من العينات المصنفة متاحًا. نظرًا لأن الشبكات العصبية العميقة (DNNs) تميل إلى الانطباق الزائد عند استخدام عدد قليل فقط من الأمثلة، فإن التعلم الميتا عادةً ما يستخدم الشبكات العصبية الضحلة (SNNs)، مما يحد من فعاليته. في هذا البحث، نقترح طريقة جديدة للتعلم القليل الأمثلة تسمى التعلم الميتا النقل (MTL) التي تتعلم كيفية تكيف شبكة عصبية عميقة للمهام ذات الأمثلة القليلة. بوجه خاص، يشير مصطلح "ميتا" إلى تدريب العديد من المهام، بينما يتم تحقيق "النقل" عن طريق تعلم وظائف توسيع وتغيير أوزان DNN لكل مهمة. بالإضافة إلى ذلك، نقدم مخطط الدفعة الميتا للمهمة الصعبة (HT) كمنهاج تعليمي فعال لـ MTL. نقوم بإجراء التجارب باستخدام مهام التعرف على (5 فئات، 1 أمثلة) و(5 فئات، 5 أمثلة) على كل من مقعي القياس الصعبين للتعلم القليل الأمثلة: miniImageNet وFewshot-CIFAR100. تؤكد المقارنات الواسعة مع الأعمال المرتبطة أن نهجنا للتعلم الميتا النقل الذي تم تدريبه باستخدام مخطط الدفعة الميتا المقترح HT يحقق أفضل الأداء. كما يظهر دراسة التحليل الجزئي أن كلاً من هذين المكونين يساهم في التقارب السريع والدقة العالية.