Few-shot-Klassifikation zielt darauf ab, unbekannte Klassen mit nur wenigen beschrifteten Proben pro Klasse zu erkennen. Viele Meta-Lernmodelle für die Few-shot-Klassifikation entwerfen sorgfältig verschiedene, auf Aufgaben gemeinsame induktive Voreingenommenheit (Meta-Wissen), um solche Aufgaben zu lösen, und erreichen dabei beeindruckende Leistungen. Allerdings versagt diese erlernte induktive Voreingenommenheit bei Vorhandensein einer Domänenverschiebung zwischen Trainings- und Testaufgaben, da sie nicht mehr generalisierbar ist, was die Leistung der Meta-Lernmodelle beeinträchtigt. In dieser Arbeit streben wir an, die Robustheit der induktiven Voreingenommenheit durch Aufgabenverstärkung (Task Augmentation) zu verbessern. Konkret betrachten wir das schlechteste Szenario um die Quell-Aufgabendistribution herum und schlagen eine adversarische Aufgabenverstärkungsmethode vor, die induktive Voreingenommenheit-anpassende „anspruchsvolle“ Aufgaben generieren kann. Unser Ansatz kann als einfaches Plug-and-Play-Modul für verschiedene Meta-Lernmodelle genutzt werden und deren Fähigkeit zur Generalisierung über Domänen hinweg verbessern. Wir führen umfangreiche Experimente unter cross-domain-Verhältnissen durch, wobei wir neun Few-shot-Klassifikationsdatensätze verwenden: mini-ImageNet, CUB, Cars, Places, Plantae, CropDiseases, EuroSAT, ISIC und ChestX. Die experimentellen Ergebnisse zeigen, dass unsere Methode die Leistung von Meta-Lernmodellen bei Few-shot-Klassifikation unter Domänenverschiebung effektiv verbessert und die bestehenden Ansätze übertrifft. Unser Quellcode ist unter https://github.com/Haoqing-Wang/CDFSL-ATA verfügbar.