يهدف التعلم القليل العينات (Few-shot learning) إلى بناء تصنيفات لفئات جديدة من خلال استخدام عدد قليل من الأمثلة المصنفة، وغالبًا ما يتم تسهيل هذا الهدف من خلال الوصول إلى أمثلة من مجموعة متميزة من "الفئات الأساسية" (base classes). غالبًا ما يؤدي الاختلاف في توزيع البيانات بين مجموعة الاختبار (الفئات الجديدة) والفئات الأساسية المستخدمة لتعلم التحيز الاستقرائي إلى تعميم ضعيف على الفئات الجديدة. لحل المشكلات الناجمة عن تحول التوزيع، استكشفت الأبحاث السابقة استخدام الأمثلة غير المصنفة من الفئات الجديدة بالإضافة إلى الأمثلة المصنفة للفئات الأساسية، وهو ما يعرف بالوضعية الترانسدكتيفية (transductive setting). في هذه الدراسة، نظهر بشكل مفاجئ أن التعلم الذاتي بدون إشراف يتفوق على طرق التعلم القليل العينات الترانسدكتيفية بنسبة 3.9% في دقة 5-العينة على miniImageNet دون استخدام أي ملصقات للفئات الأساسية. هذا يحفزنا على فحص دور الخصائص المُتعلَّمة عبر الإشراف الذاتي في التعلم القليل العينات بشكل أكثر دقة. تم إجراء تجارب شاملة للمقارنة بين قابلية النقل والمتانة والكفاءة وتكميلية الخصائص المُشرَفة وغير المُشرَفة.