في هذا البحث، نقترح التعامل مع مشكلة التعلم بقليل من العينات (Few-Shot Learning - FSL) من خلال تعلم تمثيلات عالمية للتصنيفات باستخدام عينات التدريب لكلٍ من التصنيفات الأساسية والجديدة. في كل حلقة تدريبية، يتم تسجيل متوسط فئوي حلقية محسوب من مجموعة الدعم مع التمثيل العالمي عبر وحدة تسجيل. وهذا ينتج تمثيلاً عالمياً مسجلاً للفئات يستخدم في حساب خسارة التصنيف باستخدام مجموعة الاستفسار. رغم اتباع خط أنابيب تدريب حلقاتي مشابه للطرق القائمة على التعلم الميتا (meta learning)، فإن طريقتنا تختلف بشكل كبير في أنها تتضمن عينات تدريب الفئات الجديدة منذ البداية. لتعويض نقص عينات تدريب الفئات الجديدة، تم تطوير استراتيجية فعالة لإنشاء العينات لتجنب الانطباع الزائد (overfitting). وبشكل مهم، من خلال التدريب المشترك للفئات الأساسية والجديدة، يمكن توسيع نهجنا بسهولة إلى إعداد FSL أكثر عملية ومعقدة، أي FSL المعمم (Generalized FSL)، حيث يتم توسيع مجال العلامات للمعلومات الاختبارية ليشمل كلٍ من الفئات الأساسية والجديدة. تظهر التجارب الواسعة أن نهجنا فعال لكلا الإعدادين لـ FSL.