少ショット学習は、新しいクラスを少量のラベル付きサンプルから分類器を構築することを目指しており、通常、「ベースクラス」の異なるセットからのサンプルへのアクセスによって支援されます。テストセット（新規クラス）と、帰納的バイアスを学習するために使用されるベースクラスのデータ分布の違いにより、新規クラスでの汎化性能が低下することがよくあります。この分布シフトによって引き起こされる問題を軽減するため、以前の研究では、ベースクラスのラベル付きサンプルに加えて、新規クラスからの非ラベル付きサンプルを使用する方法（これを推移的設定と呼びます）が探索されてきました。本研究では、驚くことに、任意のベースクラスのラベルを使用せずにminiImageNetで5ショット精度において既存の自己監督学習が推移的少ショット手法を3.9%上回ることが示されました。これにより、自己監督を通じて学習された特徴量が少ショット学習において果たす役割についてより詳細に検討する動機付けとなりました。包括的な実験が行われ、教師あり学習と自己監督学習の特徴量の転移性、堅牢性、効率性および相補性が比較されました。