نُقدِّم طريقة استنتاج مُتَحَوِّلَة (transductive) مُنَظَّمَة بوساطة لابلاس لمهام التعلم القليل (few-shot)، حيث، بالاعتماد على أي تمثيل مميزات (feature embedding) تم تعلُّمه من الفئات الأساسية (base classes)، نُقلِّل دالة تعيين ثنائية تربيعية مكوَّنة من حَدَّين: (1) حد أحادي (unary) يُعيِّن عينات الاستفسار (query samples) إلى أقرب نموذج فئوي (class prototype)، و(2) حد زوجي (pairwise) مُنظَّم بوساطة لابلاس، يُشجِّع العينات القريبة من بعضها في مجموعة الاستفسار على تلقي تعيينات تسمية متسقة. يُعدّ الاستنتاج المُتَحَوِّلَة الذي نقترحه غير مُتطلِّب إعادة تدريب النموذج الأساسي، ويمكن اعتباره نوعًا من تجميع الرسوم البيانية (graph clustering) لمجموعة الاستفسار، مع الالتزام بقيود التوجيه (supervision constraints) الناتجة عن مجموعة الدعم (support set). استنتجنا مُحسِّنًا فعّالًا حسابيًا لحدود دالة مُبسَّطة من دالتنا، حيث يقوم بتحديثات مستقلة (متوازية) لكل عينة استفسار على حدة، مع ضمان التقارب. وبعد تدريب بسيط باستخدام الدالة التبادلية (cross-entropy) على الفئات الأساسية، وبلا اعتماد على استراتيجيات معقدة للتعلم التماثلي (meta-learning)، أجرينا تجارب واسعة على خمسة معايير (benchmarks) لتعلم التعلم القليل. أظهرت طريقة "LaplacianShot" تفوقها المستمر على أحدث الطرق المُتاحة بفارق كبير في مختلف النماذج، والبيئات، والبيانات. علاوةً على ذلك، فإن الاستنتاج المُتَحَوِّلَة الذي نقترحه سريع جدًا، حيث تقترب أوقات الحساب منه من أوقات الاستنتاج التماثلي (inductive)، ويمكن استخدامه في مهام التعلم القليل على نطاق واسع.