تُقدّم الطرق الحالية القائمة على التعلّم المتعدّد (meta-learning) تنبؤات بفئات جديدة للوظائف الاختبارية في المجال الهدف (target domain) من خلال المعرفة المتعدّدة المستمدة من وظائف التدريب في المجال المصدري (source domain) الخاصة بالفئات الأساسية. ومع ذلك، قد تفشل معظم الطرق الحالية في التعميم على الفئات الجديدة بسبب الفرق الكبير المحتمل بين المجالات. ولحل هذه المشكلة، نقترح طريقة جديدة تُسمّى تحسين الميزات التنافسية (Adversarial Feature Augmentation - AFA) لسد الفجوة بين المجالات في سياق التعلّم القائم على عدد قليل من الأمثلة (few-shot learning). يتم تصميم تحسين الميزات لمحاكاة التغيرات في التوزيع من خلال تعظيم الفرق بين المجالات. أثناء التدريب التنافسي، يتم تعلّم مصنّف المجال (domain discriminator) لتمييز الميزات المُحسّنة (المجال غير المرئى) عن الميزات الأصلية (المجال المرئى)، في حين يتم تقليل الفرق بين المجالات للحصول على مشفر الميزات الأمثل. تُعدّ الطريقة المقترحة وحدة قابلة للتركيب (plug-and-play) يمكن دمجها بسهولة في الطرق الحالية للتعلّم القائم على عدد قليل من الأمثلة التي تعتمد على التعلّم المتعدّد. وقد أظهرت التجارب الواسعة على تسع مجموعات بيانات تفوق الطريقة المقترحة على أحدث الطرق في تصنيف عدد قليل من الأمثلة عبر المجالات. يمكن الاطلاع على الكود على الرابط: https://github.com/youthhoo/AFA_For_Few_shot_learning