La plupart des algorithmes d'apprentissage à partir de quelques exemples (few-shot learning) précédemment proposés sont basés sur une méta-formation utilisant des tâches few-shot fictives comme échantillons d'entraînement, où des classes de base largement étiquetées sont nécessaires. Le modèle formé est également limité par le type de tâches. Dans cet article, nous proposons un nouveau paradigme d'apprentissage few-shot non supervisé pour remédier à ces lacunes. Nous résolvons les tâches few-shot en deux phases : la méta-formation d'un extracteur de caractéristiques transférable via l'apprentissage auto-supervisé contrastif et la formation d'un classifieur en utilisant l'agrégation de graphe, l'autodistillation et l'augmentation de variété (manifold augmentation). Une fois méta-formé, le modèle peut être utilisé dans n'importe quel type de tâche avec une formation de classifieur dépendante de la tâche. Notre méthode atteint des performances de pointe dans diverses tâches few-shot établies sur les jeux de données standard pour la classification visuelle few-shot, avec une amélioration allant de 8 à 28 % par rapport aux méthodes d'apprentissage few-shot non supervisées disponibles.