التعلم مع بيانات محدودة هو تحدي رئيسي في مجال التعرف البصري. تتعامل العديد من طرق التعلم القليل العينة مع هذا التحدي من خلال تعلم دالة تمثيل للحالات من الفئات المعروفة وتطبيق هذه الدالة على الحالات من الفئات غير المعروفة ذات العلامات المحدودة. هذا النوع من التعلم النقل هو مستقل عن المهمة: حيث يتم تعلم دالة التمثيل بشكل غير مثالي لتمييز الفئات غير المعروفة، والتي يعتمد عليها إنجاز المهمة المستهدفة. في هذا البحث، نقترح نهجًا جديدًا لتكييف تمثيلات الحالة إلى مهمة التصنيف المستهدفة باستخدام دالة مجموعة إلى مجموعة، مما يؤدي إلى تمثيلات خاصة بالمهمة وقادرة على التمييز. قمنا بدراسة تجريبية لمختلف تنفيذات لهذه الدوال المجموعة إلى مجموعة ولاحظنا أن المحول (Transformer) هو الأكثر فعالية -- لأنه يحقق بشكل طبيعي الخصائص الأساسية لنموذجنا المرغوب. نشير إلى هذا النموذج باسم FEAT (تكيف التمثيل القليل العينة باستخدام المحول)، ونقوم بتجربته على معيار تصنيف العينات القليلة القياسي وأربع حالات ممتدة للتعلم القليل العينة ذات الاستخدامات الأساسية، وهي: عبر المجال (cross-domain)، والنقل الاستدلالي (transductive)، والتعلم القليل العينة المعمم (generalized few-shot learning)، والتعلم القليل جدًا (low-shot learning). حقق هذا النموذج تحسينات ثابتة على نماذج الأساس وعلى الطرق السابقة وأقام أفضل النتائج حتى الآن على معيارين.