我々は、下流の少サンプル分類タスクに対して非教師あり埋め込み適応（unsupervised embedding adaptation）を提案する。深層ニューラルネットワークが記憶よりも一般化を先に学習するという知見に基づき、一般化可能な特徴を抽出できるように、特徴再構成と次元数に基づく早期停止を組み合わせた新たな適応手法である「早期段階特徴再構成（Early-Stage Feature Reconstruction: ESFR）」を構築した。ESFRを導入することで、標準的な設定すべてにおいてベースライン手法の性能が一貫して向上し、最近提案された伝達型（transductive）手法に対しても同様の改善が得られた。特に、伝達型手法と組み合わせて使用した場合、mini-ImageNet、tiered-ImageNet、CUBの各データセットにおいて、最先端の性能を達成した。特に1ショット設定において、従来の最良手法比で1.2%～2.0%の精度向上を実現した。