يهدف التعلم القليل إلى تكييف النماذج التي تم تدريبها على مجموعة البيانات الأساسية لتكيّفها مع مهام جديدة لم تُرَ من قبل من قبل النموذج. وغالبًا ما يؤدي ذلك إلى توزيع نسبيًا متجانس لقيم الميزات عبر القنوات بالنسبة للفئات الجديدة، مما يُشكل تحديًا في تحديد أهمية القنوات بالنسبة للمهام الجديدة. تستخدم الطرق القياسية للتعلم القليل معايير التشابه الهندسي مثل التشابه الزاوي والمسافة الإقليدية السلبية لتقييم الارتباط الدلالي بين ميزتين. ومع ذلك، قد تحمل الميزات ذات التشابه الهندسي العالي دلالات مختلفة، خصوصًا في سياق التعلم القليل. في هذه الورقة، نُظهر أن ترتيب أهمية قنوات الميزات يُعد مؤشرًا أكثر موثوقية من معايير التشابه الهندسي بالنسبة للتعلم القليل. ونلاحظ أنه بدلًا من استخدام معيار التشابه الهندسي، يمكن استبداله بمعامل الترتيب الرتبي لـ Kendall فقط أثناء التقييم، مما يؤدي إلى تحسين الأداء في التعلم القليل عبر مجموعة واسعة من الطرق والبيانات ذات المجالات المختلفة. علاوةً على ذلك، نقترح خسارة قابلة للتفاضل ومصممة بدقة لتدريب الميتا، بهدف معالجة مشكلة عدم القابلية للتفاضل في معامل الترتيب الرتبي لـ Kendall. وباستبدال التشابه الهندسي بمعامل Kendall القابل للتفاضل، يمكن دمج طريقة لدينا مع العديد من الطرق الحالية للتعلم القليل، وتكون جاهزة للتكامل مع الطرق الحديثة الأفضل في المستقبل التي تعتمد على معايير التشابه الهندسي. وقد أكدت التجارب الواسعة فعالية النهج القائم على الارتباط بالترتيب، مُظهرة تحسنًا ملحوظًا في أداء التعلم القليل.