تهدف التعلم القليل العينات (Few-shot learning) إلى الاستفادة من المعرفة التي تم تعلمها بواسطة نموذج واحد أو أكثر من نماذج التعلم العميق، بهدف تحقيق أداء جيد في التصنيف على مشكلات جديدة، حيث تكون هناك عدد قليل جدًا من العينات المُعلمة لكل فئة. وفي السنوات الأخيرة، شهد المجال عددًا كبيرًا من الدراسات التي قدمت طرقًا تحتوي على مكونات متعددة. ومع ذلك، يظل من المشاكل الشائعة استخدام نماذج مُدرَّبة بشكل غير مثالي لاستخلاص المعرفة، ما يثير تساؤلات حول ما إذا كانت الطرق المقترحة تحقق تحسنًا فعليًا مقارنة باستخدام نماذج أولية أفضل دون الحاجة إلى المكونات المُضافة. في هذا العمل، نقترح منهجية بسيطة تحقق أداءً يوازي أو يتفوق على أفضل النتائج المُحققة في معايير معيارية متعددة، مع إضافة عدد ضئيل جدًا من المعلمات أو المُعامِلات المُضافة إلى تلك المستخدمة في تدريب النماذج العميقة الأصلية على مجموعة بيانات عامة. تقدم هذه المنهجية قاعدة معيارية جديدة يمكن الاعتماد عليها لاقتراح تقنيات جديدة أو تعديل تقنيات قائمة، مع ضمان مقارنة عادلة بينها.