In diesem Paper stellen wir Domain-Agnostic Meta Score-based Learning (DAMSL) vor, eine neuartige, vielseitige und äußerst effektive Lösung, die gegenüber bestehenden State-of-the-Art-Methoden im Bereich des cross-domain few-shot learning (CD-FSL) erhebliche Verbesserungen erzielt. Wir identifizieren zwei zentrale Probleme in früheren Meta-Lernverfahren: eine Überanpassung an den Quellbereich sowie eine unzureichende Ausnutzung der Struktur des Support-Sets in früheren Transfer-Lernansätzen. Der zentrale Ansatz unserer Methode besteht darin, anstelle der direkten Nutzung der Scores eines feinabgestimmten Merkmals-Encoders diese Scores zur Erzeugung von Eingabekoordinaten in einem domain-agnostischen Metrikräum zu verwenden. Ein Graph Neural Network wird eingesetzt, um eine Embedding- und Relationenfunktion über diesen Koordinaten zu lernen, um sämtliche in der Score-Verteilung des Support-Sets enthaltene Information zu verarbeiten. Wir testen unser Modell sowohl auf etablierten CD-FSL-Benchmarks als auch auf neuen Domänen und zeigen, dass unsere Methode die Grenzen herkömmlicher Meta-Lern- und Transfer-Lernansätze überwindet und dabei erhebliche Genauigkeitsverbesserungen sowohl bei geringen als auch bei starken Domänenverschiebungen erzielt.