本論文では、ベースクラスとノベルクラスの訓練サンプルを用いてグローバルクラス表現を学習することにより、困難な少ショット学習（Few-Shot Learning: FSL）問題に取り組むことを提案します。各訓練エピソードにおいて、サポートセットから計算されたエピソードクラス平均が登録モジュールを介してグローバル表現に登録されます。これにより、クエリセットを使用して分類損失を計算するための登録済みグローバルクラス表現が生成されます。既存のメタ学習に基づくアプローチと同様のエピソード訓練パイプラインを採用していますが、当方法はノベルクラスの訓練サンプルも最初から訓練に含まれる点で大きく異なります。ノベルクラスの訓練サンプル不足を補うために、過学習を避ける効果的なサンプル合成戦略を開発しました。重要なのは、ベース-ノベルクラスの共同訓練によって、当アプローチはより実践的かつ困難なFSL設定である一般化FSL（Generalized FSL）へ容易に拡張できることです。この設定では、テストデータのラベル空間がベースクラスとノベルクラス双方に拡張されます。広範な実験結果から、当アプローチが両FSL設定に対して有効であることが示されています。