MetaDL Challenge 2020 は、少サンプル（few-shot）設定における画像分類タスクに焦点を当てた。本論文では、同コンペティションにおける2位の提出手法について述べる。我々のメタ学習アプローチは、バックボーンネットワークが生成する潜在空間におけるクラス分布を、各クラスに対して調整することで、より正規分布に近づける。この操作を「潜在空間変換（Latent Space Transform）アルゴリズム」と呼ぶ。その後、ラベルなしデータに含まれる情報を活用するために、期待値最大化（Expectation Maximization: EM）アルゴリズムの反復的手順を用いて、クラス中心をさらに統合的に整列させる。本タスクでは、Sinkhornアルゴリズムを用いた最適輸送マッピングを活用している。実験の結果、本手法は従来の手法およびK近傍法（K-Nearest Neighbour）、ガウス混合モデル（Gaussian Mixture Models）など、他のアルゴリズムの変種を上回る性能を示した。