تعلم مهمة جديدة من عدد قليل من الأمثلة يظل تحديًا مفتوحًا في مجال التعلم الآلي. رغم التقدم الحديث في تعلم القليل من الأمثلة (few-shot learning)، فإن معظم الطرق تعتمد على التدريب الإشرافي المسبق أو التعلم الأدبي على بيانات التدريب الأولية المصنفة، ولا يمكن تطبيقها في الحالة التي تكون فيها بيانات التدريب الأولية غير مصنفة. في هذه الدراسة، نقدم طريقة تعلم قليل من الأمثلة بدون إشراف عبر خرائط لابلاس العميقة (deep Laplacian eigenmaps). تتعلم طريقتنا تمثيلات من البيانات غير المصنفة عن طريق جمع العينات المشابهة معًا ويمكن فهمها بحدس من خلال المشي العشوائي على البيانات المتزايدة للتدريب. نوضح بشكل تحليلي كيف تتجنب خرائط لابلاس العميقة التمثيلات المتقلصة في التعلم بدون إشراف دون مقارنة صريحة بين العينات الإيجابية والسلبية. الطريقة المقترحة تقفل الفجوة في الأداء بين التعلم الإشرافي وبدون إشراف بشكل كبير. كما أن طريقتنا تحقق أداءً مكافئًا لأحدث طرق التعلم الذاتي-إشرافية تحت بروتوكول التقييم الخطي.