يُعد التعلم القليل الحدود (Few-shot learning) عملية تتطلب التعرف على فئات جديدة باستخدام كميات محدودة من البيانات المُصنفة. يُعد الشبكة البروتوتيبية (Prototypical network) أداة مفيدة في الأبحاث الحالية، ولكن التدريب على توزيع ضيق للبيانات النادرة غالبًا ما يؤدي إلى بروتوتيبات متحيزة. في هذه الورقة، نحدد عاملين رئيسيين مؤثرين في هذه العملية: التحيز الداخلي للصنف (intra-class bias) والتحيز بين الأصناف (cross-class bias). ثم نقترح منهجًا بسيطًا ولكن فعّالًا لتصحيح البروتوتيبات في البيئة التحويلية (transductive setting). يعتمد هذا المنهج على تنقل التصنيف (label propagation) لتقليل التحيز الداخلي للصنف، وعلى تحريك الميزات (feature shifting) لتقليل التحيز بين الأصناف. كما نقوم بتحليل نظري لاستخلاص منطقية هذا المنهج، بالإضافة إلى تحديد الحد الأدنى الممكن للأداء. تُظهر النتائج فعالية المنهج على ثلاث معايير قليلة الحدود (few-shot benchmarks). وبشكل لافت، يحقق المنهج أداءً متميزًا على مستوى الحالة الراهنة (state-of-the-art) على كل من miniImageNet (70.31% في حالة 1-shot و81.89% في حالة 5-shot) وtieredImageNet (78.74% في حالة 1-shot و86.92% في حالة 5-shot).