في هذه الورقة، نستعرض مشكلة التصنيف قليل العينات (few-shot classification) التي تهدف إلى تعلُّم فاصل (classifier) لفئات ومناطق لم تُرَ من قبل، باستخدام عدد قليل من العينات المُعلَّمة. تستخدم الطرق الحديثة شبكات التكييف (adaptation networks) لمحاذاة ميزاتها مع المجالات الجديدة، أو تختار الميزات ذات الصلة من خلال مُستخرجات ميزات متعددة مخصصة لكل مجال. في هذا العمل، نقترح تعلُّم مجموعة واحدة من التمثيلات العميقة الشاملة (universal deep representations) من خلال استخلاص المعرفة من عدة شبكات تم تدريبها بشكل منفصل، بعد محاذاة ميزاتها معًا باستخدام مُعدِّلات (adapters) وتقنية محاذاة النواة المركزية (centered kernel alignment). ونُظهر أن التمثيلات الشاملة يمكن تحسينها أكثر لمناهج لم تُرَ من قبل من خلال خطوة تكييف فعالة، بروح مشابهة لطرق التعلم القائم على المسافة (distance learning methods). وقد قمنا بتقييم نموذجنا بشكل دقيق في معيار Meta-Dataset الحديث، ونُظهر أنه يتفوّق بشكل ملحوظ على الطرق السابقة، مع الحفاظ على كفاءة أعلى. سيتم إتاحة كودنا عبر الرابط: https://github.com/VICO-UoE/URL.