التعلم القليل النموذجية (Few-shot learning) هو مهمة صعبة نظرًا لتقديم عدد قليل جدًا من الحالات لمعرفة فئة غير مألوفة. أحد الطرق للتخفيف من هذه المشكلة هو الحصول على تحيز استقرائي قوي عبر التعلم الميتا (meta-learning) على مهام مشابهة. في هذا البحث، نوضح أن مثل هذا التحيز الاستقرائي يمكن تعلمه من مجموعة مسطحة من الصور غير المصنفة، وتجسيده كتمثيلات قابلة للنقل بين الفئات المعروفة وغير المعروفة. بوجه خاص، نقترح مخططًا جديدًا للتعلم الذاتي القائم على الأجزاء لتعلم التمثيلات القابلة للنقل عن طريق زيادة تشابه الصورة مع جزءها التميزي. لمعالجة الانحياز الزائد في تصنيف القليل النموذجية الناجم عن نقص البيانات، نقترح أيضًا استراتيجية تعزيز الأجزاء من خلال استرجاع صور إضافية من مجموعة بيانات أساسية. أجرينا دراسات منهجية على مقاييس miniImageNet و tieredImageNet. بشكل ملحوظ، حققت طريقتنا نتائج مبهرة، حيث تفوقت على أفضل الطرق غير المراقبة السابقة بنسبة 7.74% و9.24% تحت إعدادات 5-طريقة 1-نموذج و5-طريقة 5-نموذج، وهي نتائج تعادل أفضل الطرق المراقبة الحالية (state-of-the-art supervised methods).