本稿では、少数のラベル付きサンプルから以前に観測されていないクラスやドメインに対して分類器を学習することを目的とした、少数回ラーニング分類（few-shot classification）の問題に着目する。近年の手法は、特徴量を新しいドメインにアライメントさせるための適応ネットワークを用いるか、複数のドメイン固有の特徴抽出器から関連する特徴を選択する。本研究では、アダプタを用いて特徴量を共通アライメント（co-alignment）させ、中心付きカーネル整合性（centered kernel alignment）を活用した上で、別々に訓練された複数のネットワークの知識を蒸留（distillation）することにより、一つの汎用的な深層表現（universal deep representations）を学習する手法を提案する。また、距離学習手法と類似した効率的な適応ステップを用いることで、未観測ドメインに対してその汎用表現をさらに精緻化できることを示す。我々は最新のMeta-Datasetベンチマークにおいてモデルを厳密に評価し、従来手法を大きく上回る性能を発揮するとともに、より高い効率性を実現することを実証した。本研究のコードは、https://github.com/VICO-UoE/URL にて公開される予定である。