少量サンプル分類の代表的なアプローチは、まず大規模なラベル付きデータセットに基づいて汎用的なデータ表現を学習し、その後、少数のラベル付きサンプルのみを用いてその表現を新たなクラスに適応するというものである。本研究では、従来の特徴適応手法よりも単純かつ効果的な、特徴選択に基づく新しい戦略を提案する。まず、意味的に異なる複数の特徴抽出器を学習することで、マルチドメイン表現を獲得する。次に、少量サンプル学習タスクが与えられた場合、我々のマルチドメイン特徴バンクを用いて最も関連性の高い表現を自動的に選択する。本研究では、このような特徴の上に構築された単純な非パラメトリック分類器が、高い精度を達成し、訓練中に一度も見なかったドメインにも一般化できることを示す。この結果、MetaDatasetにおいて最先端の性能を達成するとともに、mini-ImageNetにおいても精度の向上を実現した。