تُعتمد غالبًا طرق التعلم القائم على عدد قليل من الأمثلة (FSL) على افتراض أن المعرفة المُدرّبة مسبقًا يمكن استخلاصها من الفئات الأساسية (المُشاهَدة) ونقلها بكفاءة إلى الفئات الجديدة (غير المرئية). ومع ذلك، لا يوجد ضمان، خصوصًا فيما يتعلق بالجزء الأخير. يؤدي هذا التحدي إلى طبيعة غير معروفة لعملية الاستنتاج في معظم طرق FSL، مما يعيق تطبيقها في مجالات حساسة للخطر. في هذه الورقة، نكشف عن طريقة جديدة لأداء FSL في تصنيف الصور، باستخدام تمثيلات بصرية من نموذج الأساس (backbone) وأوزان تُولَّد بواسطة فئة تصنيف قابلة للتفسير ظهرت حديثًا. تضم التمثيلات الموزونة عددًا دقيقًا من السمات المميزة، ويمكن تصور الأوزان كتلميح مفيد لعملية FSL. أخيرًا، يقوم مُميّز (discriminator) بمقارنة التمثيلات بين كل زوج من الصور في مجموعة الدعم (support set) ومجموعة الاستعلام (query set)، حيث تُحدد النتائج التصنيفية بناءً على الأزواج ذات أعلى الدرجات. تُثبت النتائج التجريبية أن الطريقة المقترحة تحقق دقة جيدة وقابلية تفسير مرضية على ثلاث مجموعات بيانات رئيسية.