Nous proposons une inférence transductive régularisée par le laplacien pour les tâches à peu d’exemples. Étant donné toute embedding de caractéristiques apprise à partir des classes de base, nous minimisons une fonction quadratique deffectuation binaire comportant deux termes : (1) un terme unaire qui attribue les échantillons requête aux prototypes de classe les plus proches, et (2) un terme pair laplacien qui encourage les échantillons requête voisins à recevoir des affectations de labels cohérentes. Notre inférence transductive ne nécessite pas de réentraînement du modèle de base, et peut être vue comme un regroupement par graphes de l’ensemble de requête, sous contraintes de supervision issues de l’ensemble de support. Nous dérivons un optimiseur efficace sur le plan computationnel pour une relaxation de notre fonction, qui permet des mises à jour indépendantes (parallèles) pour chaque échantillon requête tout en garantissant la convergence. Après une simple entraînement par entropie croisée sur les classes de base, et sans recourir à des stratégies complexes d’apprentissage métadonnées, nous avons mené des expériences approfondies sur cinq benchmarks d’apprentissage à peu d’exemples. Notre méthode, LaplacianShot, surpasse de manière significative les méthodes de pointe dans divers modèles, configurations et jeux de données. En outre, notre inférence transductive est très rapide, avec des temps de calcul proches de ceux de l’inférence inductive, et peut être appliquée à des tâches à peu d’exemples à grande échelle.