تم استكشاف مجال التعلم بقليل من الأمثلة (few-shot learning) بجدية في الإعداد المشرف، حيث تكون العلامات متاحة لكل فئة. ومع ذلك، فإن الإعداد غير المشرف للتعلم بقليل من الأمثلة، حيث لا توجد أي علامات، لم يحظَ باهتمام كبير. نقترح طريقة تُسمى "افتراض، تعزيز وتعلم" أو AAL لتقديم مهام قليلة الأمثلة باستخدام البيانات غير المصنفة. نقوم بتسمية مجموعة عشوائية من الصور من مجموعة بيانات غير مصنفة بشكل عشوائي لإنشاء مجموعة الدعم (support set). ثم عن طريق تطبيق تعزيز البيانات على صور مجموعة الدعم وإعادة استخدام علامات مجموعة الدعم، نحصل على مجموعة الهدف (target set). يمكن استخدام المهام الناتجة عن التعلم بقليل من الأمثلة لتدريب أي إطار عمل تعلم متعدد (meta-learning framework) قياسي. بمجرد التدريب، يمكن تطبيق مثل هذا النموذج مباشرة على مجموعات بيانات حقيقية صغيرة تم تصنيفها دون الحاجة إلى أي تغييرات أو ضبط دقيق (fine-tuning). في تجاربنا، حققت النماذج التي تم تعلمها أداءً جيدًا في التعميم في مجموعة متنوعة من المهام المعروفة للتعلم بقليل من الأمثلة على Omniglot و Mini-Imagenet.