Die Mehrheit der existierenden Few-Shot-Lernmethoden beschreibt Bildbeziehungen mit binären Labels. Allerdings sind solche binären Beziehungen aufgrund des Mangels an Entscheidungsflüssigkeit nicht ausreichend, um das Netzwerk komplizierte reale Beziehungen zu lehren. Darüber hinaus erfassen aktuelle Few-Shot-Lernmodelle nur die Ähnlichkeit durch Relationenlabels, aber sie werden nicht den Klassenkonzepten zugeordnet, die mit Objekten verbunden sind. Dies ist wahrscheinlich nachteilig für die Klassifikationsleistung, da die verfügbaren Klassenlabels unternutzt werden. Um dies zu verdeutlichen: Kinder lernen das Konzept eines Tigers sowohl anhand weniger tatsächlicher Beispiele als auch durch Vergleiche des Tigers mit anderen Tieren. Daher gehen wir davon aus, dass in Wirklichkeit sowohl Ähnlichkeits- als auch Klassenkonzeptlernen gleichzeitig stattfinden müssen. Auf Basis dieser Beobachtungen untersuchen wir das grundlegende Problem der einfachen Klassifizierung in aktuellen Few-Shot-Lernmethoden. Wir überdenken die Beziehungen zwischen Klassenkonzepten und schlagen ein neues Paradigma des absolut-relativen Lernens vor, um die Labelinformation vollständig zu nutzen und sowohl in überwachten als auch in unüberwachten Szenarien die Bildrepräsentationen zu verfeinern und das Verständnis der Beziehungen zu korrigieren. Unser vorgeschlagenes Paradigma verbessert die Leistung mehrerer state-of-the-art-Modelle auf öffentlich zugänglichen Datensätzen (datasets).