لقد اكتسب التعلم القليل المُحَوَّل (Transductive Few-Shot Learning) اهتمامًا متزايدًا في الوقت الحاضر، نظرًا لتكاليف تسمية البيانات، إلى جانب الدقة المُحسَّنة التي توفرها العينات غير المُعلَّمة في مجال التعلم القليل. وبخاصة في التصنيف القليل (Few-Shot Classification - FSC)، استكشفت الدراسات الحديثة توزيعات الميزات بهدف تحسين الاحتمالات أو الاحتمالات اللاحقة بالنسبة إلى المعلمات غير المعروفة. واتباعًا لهذا النهج، وباعتبار التشابه بين FSC والتفريق التجميعي (clustering)، نسعى إلى أخذ عدم اليقين الناتج عن نقص البيانات في الاعتبار بشكل أفضل، فضلًا عن تحسين الخصائص الإحصائية للClusters المرتبطة بكل فئة. ولهذا، نقترح في هذا البحث طريقة تجميع جديدة تعتمد على الاستدلال التوافقي البايزي (Variational Bayesian inference)، وتم تحسينها لاحقًا باستخدام تقليل الأبعاد التكيفي المستند إلى تحليل التمييز الخطي الاحتمالي (Probabilistic Linear Discriminant Analysis). تُظهر الطريقة المقترحة تحسنًا ملحوظًا في الدقة ضمن البيئة الواقعية غير المتوازنة في التعلم القليل، على مختلف معايير التقييم، عند تطبيقها على الميزات المستخدمة في الدراسات السابقة، مع تحقيق مكسب في الدقة يصل إلى 6٪. علاوة على ذلك، عند تطبيقها في البيئة المتوازنة، نحصل على نتائج تنافسية جدًا دون الاعتماد على الظواهر المرتبطة بالموازنة بين الفئات، والتي تُعد مثيرة للجدل في السياقات العملية. كما نقدّم أداء الطريقة المقترحة على نموذج أساسي مُدرَّب مسبقًا عالي الأداء، حيث تفوق النتائج المبلغ عنها الدقة القياسية الحالية، مما يشير إلى العامية (genericity) للطريقة المقترحة.