Dans cet article, nous proposons Domain Agnostic Meta Score-based Learning (DAMSL), une nouvelle solution versatile et hautement efficace, qui surpassant significativement les méthodes de pointe pour l’apprentissage peu éprouvé à travers des domaines (cross-domain few-shot learning, CD-FSL). Nous identifions deux problèmes clés des méthodes antérieures d’apprentissage métadonnées : un surapprentissage au domaine source, et des méthodes d’apprentissage transféré sous-utilisant la structure de l’ensemble de support. L’idée centrale de notre approche repose sur le fait de ne pas utiliser directement les scores fournis par un encodeur de caractéristiques finement ajusté, mais de les exploiter pour définir des coordonnées d’entrée dans un espace métrique indépendant du domaine. Un réseau neuronal à graphe est ensuite appliqué pour apprendre une fonction d’embedding et de relation à partir de ces coordonnées, permettant de traiter l’ensemble de l’information contenue dans la distribution des scores de l’ensemble de support. Nous évaluons notre modèle sur des benchmarks établis de CD-FSL ainsi que sur de nouveaux domaines, et démontrons que notre méthode surmonte les limites des approches précédentes d’apprentissage métadonnées et d’apprentissage transféré, offrant ainsi des améliorations substantielles en précision, tant pour de petites que pour de grandes variations de domaine.