Few-shot分類は、各カテゴリに対して限られたサンプルしか使用しない状況下で、新しいカテゴリを認識する能力を学ぶことを目的とする。現在の主流のfew-shot手法は、ラベル付き例が豊富なベースデータセットを用いてエンコーダーを学習し、そのエンコーダーによって新規クラスのサポートインスタンスの特徴表現を取得する。しかし、テストインスタンスはベース分布とは異なる分布から抽出されるため、その特徴表現の品質が低くなり、性能が低下する傾向がある。本論文では、メタテスト時において、各サポートインスタンスに最も近いベースデータセットの特徴表現を活用し、その表現を向上させる手法を提案する。これを実現するために、ベースデータセットの特徴空間において最も関連性の高い領域に注目するBaseTransformersを提案する。3つのベンチマークデータセットにおける実験結果から、本手法は複数のバックボーンに対して有効であり、帰納的(one-shot)設定において最先端の性能を達成することが示された。コードはgithub.com/mayug/BaseTransformersにて公開されている。