多くの少サンプル学習（Few-Shot Learning）の研究は、2段階のプロセス——ベースモデルの事前学習と新規モデルへの適応——を採用している。本論文では、閉形式のベースラーナー（closed-form base learner）を用いる手法を提案する。このアプローチは、事前学習済みのベースモデルを制約として適応段階に導入することで、より汎化性能の優れた新規モデルの獲得を目指す。理論的解析により、本手法の合理性を裏付けるとともに、良好な汎化性能を持つベースモデルをどのように訓練すべきかに関する指針も示している。さらに、4つのベンチマーク上で実験を行い、すべてのケースで最先端（state-of-the-art）の性能を達成した。特に、5ショットのminiImageNetにおいて87.75％の精度を達成し、既存手法と比較して約10％の性能向上を実現した。