في هذه الورقة، ننظر إلى مشكلة التصنيف القليل النماذج عبر المجالات، والتي تهدف إلى تعلم تصنيفية من فئات ومجالات لم تُرَ من قبل، باستخدام عدد قليل من العينات المُعلَّمة. تحلّ الحلول الحديثة هذه المشكلة عادةً من خلال تمثيل تصنيفياتها القليلة النماذج باستخدام أوزان عامة للوظائف وأوزان محددة للوظائف، حيث تُدرَّس الأوزان العامة عادةً على مجموعة تدريب كبيرة، بينما تُقدَّر الأوزان المحددة للوظائف ديناميكيًا من خلال شبكة مساعدة تُشغَّل بناءً على مجموعة دعم صغيرة. في هذا العمل، نركّز على تقدير الأوزان المحددة للوظائف، ونقترح تعلُّم هذه الأوزان مباشرة من الصفر على مجموعة دعم صغيرة، بخلاف التقدير الديناميكي لها. وبشكل خاص، من خلال تحليل منهجي، نُظهر أن الأوزان المحددة للوظائف المُمَثَّلة عبر مُعدِّلات مُعَدَّلة بمعامِلات مصفوفية مع اتصالات تراكمية (Residual Connections) متعددة إلى طبقات وسطى في الشبكة الأساسية، تُحسِّن بشكل ملحوظ أداء النماذج الرائدة في معيار Meta-Dataset، وبتكلفة إضافية ضئيلة جدًا.