في هذه الورقة، نقترح طريقة التعلم القائمة على الدرجة الميتا المستقلة عن المجال (DAMSL)، وهي حل جديد ومرن وفعال للغاية، يحقق أداءً متفوقًا بشكل كبير مقارنة بالطرق الحالية في التعلم القليل للحالات عبر المجالات. نحدد المشكلات الرئيسية في الطرق السابقة للتعلم الميتا، مثل التأقلم الزائد مع المجال المصدري، وكذلك في الطرق السابقة للنقل التعلمي، التي لا تستغل الهيكل الكافي لمجموعة الدعم. الفكرة الأساسية وراء طريقتنا تكمن في استخدام الإحداثيات المُدخلة في فضاء مترّي مستقل عن المجال، بدلاً من استخدام الدرجات مباشرةً من مُشغّل السمة المُعدّل بدقة. يتم تطبيق شبكة عصبية رسمية (GNN) لتعلم دالة تضمين وعلاقة على هذه الإحداثيات، بهدف معالجة كافة المعلومات المحتواة في توزيع الدرجات ضمن مجموعة الدعم. وقد قمنا باختبار نموذجنا على معايير معيارية للتعلم القليل عبر المجالات (CD-FSL) وكذلك على مجالات جديدة، ونُظهر أن طريقتنا تتجاوز القيود التي تعاني منها الطرق السابقة للتعلم الميتا والنقل التعلمي، مما يؤدي إلى تحسينات كبيرة في الدقة في ظل تغيرات مجالية صغيرة وكبيرة على حد سواء.