معظم النهج في التعلم القليل الإشرافي تعتمد على بيانات مكلفة ومصحوبة بالشروحات تتعلق بمجال المهمة المستهدفة أثناء التدريب (المسبق). مؤخرًا، قامت طرق التعلم الميتا غير الإشرافي بتبادل متطلب الشروحات مقابل انخفاض في أداء تصنيف المهام القليلة الإشراف. وفي الوقت نفسه، في بيئات تتسم بنقل المجال واقعيًا، أظهر التعلم النموذجي التقليدي أنه يتفوق على الطرق الميتا الإشرافية. مستندًا إلى هذه الرؤى والتقدم في مجال التعلم الذاتي الإشرافي، نقترح نهجًا للتعلم النموذجي يقوم ببناء تمثيل قياسي يجمع العينات النموذجية غير المصحوبة بالشروحات وزخائرها قريبة من بعضها البعض. يعتبر هذا التمثيل المسبق التدريب نقطة بداية للتصنيف القليل الإشراف من خلال تلخيص مجموعات الفئات والضبط الدقيق. نوضح أن نهجنا للتعلم النموذجي النموذجي الذاتي الإشراف ProtoTransfer يتفوق على أفضل الطرق غير الإشرافية في الميتا تعلم في مهام التصنيف القليلة الإشراف من مجموعة بيانات mini-ImageNet. وفي تجارب التصنيف القليل الإشراف مع نقل المجال، يصل أداء نهجنا حتى إلى مستوى الأساليب الإشرافية، ولكنه يتطلب عددًا أقل بكثير من الشروحات (labels) بمقدار عدة أوامر من العظم.