少数回の学習（few-shot classification）という問題に対して、我々はプロトタイプネットワーク（prototypical networks）を提案する。この問題では、訓練時に見られなかった新しいクラスについて、各クラスの例が非常に少数（たとえば1〜5例）しか与えられない状況で、分類器がその新しいクラスに一般化する必要がある。プロトタイプネットワークは、各クラスのプロトタイプ表現（代表表現）までの距離を計算することで分類を行うことができるような度量空間（metric space）を学習する。最近の少数回学習アプローチと比較して、本手法はデータ量が限られた状況下で有益な、より単純な誘導的バイアス（inductive bias）を反映しており、優れた性能を達成している。本研究では、複雑なアーキテクチャ選択やメタラーニング（meta-learning）を必要としない、いくつかのシンプルな設計選択が、最近の手法よりも顕著な性能向上をもたらすことを分析によって示している。さらに、プロトタイプネットワークをゼロショット学習（zero-shot learning）に拡張し、CU-Birdsデータセットにおいて最先端の結果を達成した。