少数ラベル付きサンプルを用いるため、不確実性が生じるため、少サンプル分類は困難な問題である。近年、多くの手法が提案されており、その共通の目的は、以前に解決されたタスクで得られた知識を転移することにある。これは、事前に学習された特徴抽出器を用いることで実現されることが多い。本稿では、このアプローチに従い、特徴ベクトルをガウス分布に近い分布に変換するという新たな転移ベースの手法を提案する。これにより、分類精度が向上することが期待される。特に、訓練中にラベルのないテストサンプルが利用可能な伝達的少サンプル学習（transductive few-shot learning）の設定では、最適輸送（optimal transport）を想起させるアルゴリズムを導入し、さらに性能の向上を図っている。標準化された視覚ベンチマークを用いた実験により、提案手法が、さまざまなデータセット、バックボーンアーキテクチャ、および少サンプル設定において、最先端の精度を達成できることを示した。