Viele Forschungsarbeiten im Bereich Few-Shot Learning weisen zwei Phasen auf: die Vortrainierung eines Basismodells und die Anpassung an ein neues Modell. In diesem Artikel schlagen wir vor, einen geschlossenen-form-Base-Lerner einzusetzen, der die Anpassungsphase durch das vortrainierte Basismodell einschränkt, um ein besser generalisierbares Neumodell zu erzielen. Eine anschließende theoretische Analyse belegt die Plausibilität dieses Ansatzes sowie Hinweise darauf, wie ein gut generalisierbares Basismodell effektiv trainiert werden kann. Wir führen Experimente auf vier Benchmarks durch und erreichen in allen Fällen eine state-of-the-art-Leistung. Besonders hervorzuheben ist unsere Genauigkeit von 87,75 % auf 5-Shot miniImageNet, die etwa 10 Prozentpunkte über den bestehenden Methoden liegt.