少数ラベルサンプルを用いる場合に生じる不確実性のため、少サンプル分類（few-shot classification）は困難な問題である。近年、この問題に対処するため多数の手法が提案されてきたが、その中でも転移学習に基づく手法が最も優れた性能を発揮することが実証されている。本稿では、こうした研究の流れを踏襲し、以下の2段階から構成される新たな転移学習ベースの手法を提案する。1）特徴ベクトルを事前処理することで、それらがガウス分布に類似した分布に近づくようにする、2）この事前処理を、伝達最適化（optimal transport）を想起させるアルゴリズムを用いて活用する（従属設定、すなわちtransductive settingの場合）。標準化された視覚ベンチマークを用いた実験により、提案手法が多様なデータセット、バックボーンアーキテクチャ、および少サンプル設定において、最先端の精度を達成できることを実証した。