تقوم طرق التعلم القليل العينات عبر المجالات (CDFSL) عادةً بتوسيط النماذج باستخدام معلمات مستقلة عن المهمة ومعلمات خاصة بالمهمة. لتكيف المعلمات الخاصة بالمهمة، استخدمت الطرق الحديثة استراتيجيات تحسين ثابتة، رغم إمكانية عدم فعاليتها المثلى عبر مجالات أو مهمات هدف مختلفة. لمعالجة هذه المشكلة، نقترح آلية تكيف جديدة تُسمى الانحدار التدرجي المشروط خاص بالمهمة (TSP). يتعلم أسلوبنا أولاً مشروطات الانحدار الخاصة بالمجال (DSPs) التي تعكس خصائص كل مجال تدريبي متعدد، والتي يتم بعد ذلك دمجها بشكل خطي باستخدام معاملات المهمة لتشكيل مشروطة الانحدار الخاصة بالمهمة. يتم تطبيق المشروطة على الانحدار التدرجي، مما يجعل عملية التحسين قابلة للتكيف مع المهمة الهدف. نقيّد مشروطاتنا بأن تكون موجبة التعريف، مما يوجه الانحدار المشروط نحو اتجاه الانحدار الأشد حدة. أظهرت التقييمات التجريبية على مجموعة البيانات المتعددة Meta-Dataset أن TSP تحقق أفضل الأداء في سياقات تجريبية متنوعة.