極めて少ないラベリングされたサンプルから迅速に学習することは、深層表現学習の時代における機械と人間を分ける根本的な属性である。無教師少ショット学習（U-FSL）は、訓練時にアノテーションへの依存を排除することでこのギャップを埋めることを目指している。対照的学習手法がU-FSLの領域で成功していることに着目し、我々はその前処理段階と下流推論段階での欠点を構造的に分析した。前処理段階での肯定的サンプリングの強化と、無教師対照的学習にクラスレベルの暗黙の洞察を注入するために、新しい動的クラスタメモリ（DyCE）モジュールを提案する。次に、少ショット推論段階におけるサンプルバイアスという問題に取り組む。この問題はやや見落とされがちだが、非常に重要である。我々は反復的な最適輸送に基づく分布アライメント（OpTA）戦略を提案し、特にFSL手法がサンプルバイアスによって最も苦労する低ショットシナリオにおいて、この問題を効率的に解決することを示す。さらに、DyCEとOpTAが新しいエンドツーエンドアプローチ（BECLRと命名）の二つの密接に関連した要素であり、互いの影響力を相乗的に高めることを議論する。その後、BECLRが既存のすべてのU-FSLベンチマークにおいて新たな最先端となることを確認するため（当該研究者らの知る限り）、広範な定量的および定性的実験の一連を行った。これらの実験結果は、BECLRが現在の最良のベースラインよりも大幅に優れていることを明確に示しており（コードベースは以下のURLで公開されている: https://github.com/stypoumic/BECLR）。