Few-shot-Lernen erfordert die Erkennung neuer Klassen anhand von nur wenigen gelabelten Daten. Prototypical Networks haben in bestehenden Forschungsarbeiten sich als nützlich erwiesen; dennoch neigt die Trainingsphase auf einer engen Datengröße-Verteilung mit seltenen Daten dazu, verzerrte Prototypen zu erzeugen. In diesem Paper identifizieren wir zwei zentrale Einflussfaktoren dieses Prozesses: den intra-klassen-basierten Bias und den inter-klassen-basierten Bias. Anschließend schlagen wir einen einfachen, aber effektiven Ansatz zur Korrektur von Prototypen im transduktiven Setting vor. Der Ansatz nutzt Label Propagation, um den intra-klassen-basierten Bias zu reduzieren, und Feature-Shifting, um den inter-klassen-basierten Bias zu verringern. Zudem führen wir eine theoretische Analyse durch, um die Plausibilität des Ansatzes sowie die untere Schranke der Leistungsfähigkeit abzuleiten. Die Wirksamkeit wird an drei Few-shot-Benchmarks nachgewiesen. Besonders hervorzuheben ist, dass unser Ansatz sowohl auf miniImageNet (70,31 % bei 1-Shot und 81,89 % bei 5-Shot) als auch auf tieredImageNet (78,74 % bei 1-Shot und 86,92 % bei 5-Shot) die derzeit beste Leistung erzielt.