少数の例から新しいタスクを学習することは、機械学習における未解決の課題の一つです。最近の少ショット学習の進歩にもかかわらず、ほとんどの手法は教師あり事前学習またはラベル付きメタトレーニングデータ上のメタ学習に依存しており、事前学習データがラベルなしの場合には適用できません。本研究では、深層ラプラシアン固有値マップを用いた教師なし少ショット学習手法を提案します。当手法は類似したサンプルをグループ化することでラベルなしデータから表現を学習し、拡張されたトレーニングデータ上のランダムウォークによって直感的に解釈できます。我々は解析的に示しましたが、深層ラプラシアン固有値マップは正例と負例の明示的な比較を行わずに教師なし学習において収束表現を回避する方法です。提案手法は教師ありと教師なしの少ショット学習間の性能差を大幅に縮小しています。また、線形評価プロトコルのもとで、現在の最先端の自己教師あり学習手法と同等の性能を達成しています。注：「深層ラプラシアン固有値マップ」（deep Laplacian eigenmaps）は専門的な技術用語であり、日本語でも同様に使用されます。