本稿では、クロスドメイン少サンプル学習（CD-FSL）において、最先端手法を著しく上回る優れた性能を発揮する、新しい汎用性の高い効果的な手法である「ドメイン無関係メタスコアベース学習（Domain Agnostic Meta Score-based Learning, DAMSL）」を提案する。既存のメタ学習手法におけるソースドメインへの過学習、および既存の転移学習手法におけるサポートセットの構造の未活用という重要な課題を特定した。本手法の核心は、ファインチューニングされた特徴エンコーダから得られるスコアを直接用いるのではなく、これらスコアを「ドメイン無関係なメトリック空間」の入力座標として利用する点にある。その後、これらの座標上でグラフニューラルネットワーク（GNN）を用いて、サポートセットのスコア分布に含まれるすべての情報を統合的に処理可能な埋め込み関数および関係関数を学習する。本手法は既存のCD-FSLベンチマークおよび新たなドメインにおいて評価され、従来のメタ学習および転移学習手法の限界を克服し、ドメインシフトの程度が小さい場合から大きい場合に至るまで、精度の顕著な向上を実現したことが示された。