يهدف التعلم القليل إلى التعرف على فئات جديدة باستخدام عدد قليل من الأمثلة. تُعالج الطرق القائمة على التدريب المسبق هذه المشكلة من خلال تدريب مُستخرج الميزات مسبقًا، ثم تحسينه بدقة باستخدام التعلم التكراري القائم على أقرب مركز. ومع ذلك، تُظهر النتائج أن خطوة التحسين الدقيق تُحقّق تحسينات محدودة. في هذا البحث، (1) نحدد السبب، وهو أن الفئات الأساسية تُشكّل بالفعل مجموعات متقاربة في فضاء الميزات المُدرّب مسبقًا، بينما تنتشر الفئات الجديدة كمجموعات ذات تباين كبير، مما يوحي بأن تحسين مُستخرج الميزات أقل جدوى؛ (2) بدلًا من تحسين مُستخرج الميزات، نركّز على تقدير بروتوكولات أكثر تمثيلية. وبناءً عليه، نقترح إطارًا جديدًا للتعلم التكراري القائم على اكتمال البروتوكولات. يبدأ هذا الإطار بدمج المعرفة الأولية (أي ملاحظات على المستويات الجزئية أو السمات الخاصة بالفئة)، ويستخرج ميزات تمثيلية لسمات مُدرَّسة كمُعطيات أولية. ثم، يُصمم شبكة نقل جزئية/سمات لتعلم استنتاج الميزات التمثيلية لسمات غير مُدرَّسة كمُعطيات أولية إضافية. وأخيرًا، تُصمم شبكة اكتمال البروتوكولات لتعلم اكتمال البروتوكولات باستخدام هذه المُعطيات الأولية. علاوةً على ذلك، لتجنب أخطاء اكتمال البروتوكولات، نطوّر استراتيجية تجميع بروتوكولات تعتمد على التوزيع الغاوسي، والتي تدمج البروتوكولات القائمة على المتوسط مع البروتوكولات المكتملة باستخدام العينات غير المُعلَّمة. تُظهر التجارب الواسعة أن طريقةنا: (1) تُحقّق بروتوكولات أكثر دقة؛ (2) تحقق أداءً متفوّقًا في كلا البيئتين، التوليدية (inductive) والانتقالية (transductive)، لمشكلة التعلم القليل.