تهدف التصنيف القائم على عدد قليل من الأمثلة (Few-shot classification) إلى التعرف على فئات غير مرئية باستخدام عدد قليل من العينات المُصنفة من كل فئة. وقد صممت العديد من نماذج التعلم التكراري (meta-learning) الخاصة بالتصنيف القائم على عدد قليل من الأمثلة العديد من التحيزات الاستنتاجية المشتركة بين المهام (المعارف التكرارية) بشكل دقيق لحل هذه المهام، وحققت أداءً مبهرًا. ومع ذلك، عند وجود انزياح مجال (domain shift) بين المهام التدريبية والمُختبرة، فإن التحيزات الاستنتاجية المُكتسبة تفشل في التعميم عبر المجالات، مما يؤدي إلى تراجع أداء نماذج التعلم التكراري. في هذا العمل، نهدف إلى تحسين مقاومة التحيزات الاستنتاجية من خلال تعزيز المهام. وبشكل محدد، ننظر إلى المشكلة الأسوأ حول توزيع المهمة المصدرية، ونُقدّم طريقة تعزيز المهام المُضادة (adversarial task augmentation) التي يمكنها إنشاء مهام "صعبة" تتكيف مع التحيزات الاستنتاجية. يمكن استخدام طريقتنا كوحدة بسيطة يمكن تركيبها بسهولة (plug-and-play) لنماذج التعلم التكراري المختلفة، وتحسين قدرتها على التعميم عبر المجالات. قمنا بإجراء تجارب واسعة في البيئة المُتعددة المجالات باستخدام تسع مجموعات بيانات للتصنيف القائم على عدد قليل من الأمثلة: mini-ImageNet، CUB، Cars، Places، Plantae، CropDiseases، EuroSAT، ISIC، وChestX. أظهرت النتائج التجريبية أن طريقتنا تُحسّن بشكل فعّال من أداء نماذج التعلم التكراري في التصنيف القائم على عدد قليل من الأمثلة تحت ظروف انزياح المجال، وتفوق الطرق الحالية. يمكن الوصول إلى الشفرة المصدرية لدينا من خلال الرابط التالي: https://github.com/Haoqing-Wang/CDFSL-ATA.