La majorité des méthodes de few-shot learning actuelles décrivent les relations entre images à l'aide d'étiquettes binaires. Cependant, de telles relations binaires sont insuffisantes pour enseigner au réseau des relations complexes du monde réel, en raison du manque de fluidité dans la prise de décision. De plus, les modèles de few-shot learning actuels ne captent que la similarité par le biais des étiquettes relationnelles, sans être exposés aux concepts de classe associés aux objets, ce qui est probablement préjudiciable à la performance de classification en raison d'une sous-utilisation des étiquettes de classe disponibles. Autrement dit, les enfants apprennent le concept de tigre non seulement à partir d'exemples réels limités, mais aussi grâce aux comparaisons du tigre avec d'autres animaux. Ainsi, nous formulons l'hypothèse que, en réalité, l'apprentissage de la similarité et celui des concepts de classe doivent se produire simultanément. Forts de ces observations, nous examinons le problème fondamental de la modélisation simpliste des classes dans les méthodes actuelles de few-shot learning. Nous repensons les relations entre les concepts de classe et proposons un nouveau paradigme d'Apprentissage absolu-relatif afin d'exploiter pleinement les informations d'étiquetage pour affiner les représentations d'images et corriger la compréhension des relations dans des scénarios supervisés et non supervisés. Notre paradigme proposé améliore les performances de plusieurs modèles state-of-the-art sur des jeux de données publiquement disponibles.