少数ラベル付き学習例に基づいて新しいオブジェクトクラスを認識することを目的とする少データ学習（few-shot learning）は、過学習を防ぐために、最先端の手法では畳み込みネットワークの特徴量に対してメタ学習を適用し、最近傍分類器（nearest-neighbor classifier）を用いて分類を行う。本論文では、メタ学習を用いない最近傍分類器ベースラインの精度について検討する。驚くべきことに、単純な特徴量変換のみで競争力のある少データ学習の精度が達成可能であることがわかった。例えば、ミニImageNetデータセットにおいて、平均値の減算（mean-subtraction）とL2正規化（L2-normalization）を組み合わせた最近傍分類器は、5つの設定のうち3つで従来の結果を上回る性能を示した。