القدرة على التعلم من عدد قليل من العينات هي سمة مميزة للذكاء البشري. يعتبر التعلم القليل العياني (few-shot learning) محاولة لنقل هذه القدرة إلى الآلات. مستوحىً من الوعد والقوة التي تقدمها تقنيات التعلم العميق الاحتمالي، نقترح شبكة استدلال متغير جديدة للتصنيف القليل العياني (وقد أطلقنا عليها اسم TRIDENT) لفصل تمثيل الصورة إلى متغيرات دلالية ومسميات خفية، واستنتاجها بطريقة متشابكة في الوقت نفسه. لتعزيز الوعي بالمهام، كجزء من آليات الاستدلال في TRIDENT، نستفيد من المعلومات الموجودة في كلٍ من صور الاستفسار والدعم الخاصة بمهام التعلم القليل العياني باستخدام وحدة استخراج الميزات التحويلية المعتمدة على الانتباه (نسميها AttFEX).نتائج تجاربنا الواسعة تؤكد فعالية TRIDENT وتظهر أن استخدام أبسط الأعمدة الفقري يمكن أن يجعلها تحقق مستوى جديدًا غير مسبوق في أكثر المجموعات البيانات شيوعًا مثل miniImageNet و tieredImageNet (بتحسين يصل إلى 4% و5% على التوالي)، وكذلك في السيناريو الأخير والمهم بين المجالات miniImagenet --> CUB بتقدم كبير يبلغ حتى 20% فوق أفضل النماذج الأساسية الحالية في مجال النقل بين المجالات. يمكن العثور على الرموز البرمجية والتجارب في مستودع GitHub الخاص بنا: https://github.com/anujinho/trident