معالجة المهام غير المعروفة سابقًا بعد تقديم عدد قليل من أمثلة التدريب تظل تحديًا صعبًا في مجال التعلم الآلي. نقترح استخدام شبكات TapNets، وهي شبكات عصبية مكملة بمسارق استجابة متكيفة مع المهمة لتحسين التعلم القليل الإطارات (few-shot learning). هنا، يتم استخدام استراتيجية التعلم الأعلى (meta-learning) مع تدريب قائمة على الحلقات (episode-based training)، حيث يتم تعلم الشبكة ومجموعة من المتجهات المرجعية لكل فئة عبر مجموعة واسعة من المهام المتغيرة. وفي الوقت نفسه، بالنسبة لكل حلقة، يتم إسقاط الخصائص في الفضاء المضمن خطيًا إلى فضاء جديد كشكل من أشكال التكييف السريع الخاص بالمهمة. يتم الحصول على دالة الخسارة للتدريب بناءً على مقياس المسافة بين المتجهات الاستفسارية والمتجهات المرجعية في الفضاء المقسوم. بهذه الطريقة، يتم تحقيق نتائج تعميم ممتازة. عند اختبارها على مجموعات البيانات Omniglot وminiImageNet وtieredImageNet، حصلنا على دقة تصنيف رائدة في مجالها تحت سيناريوهات مختلفة للتعلم القليل الإطارات.