オブジェクト認識において、特にサンプル数が極めて少ない状況では、過学習を回避するための一般化能力が不可欠である。限られたサンプルからの一般化は、通常メタラーニングの枠組みの中で研究されており、学習手法に動的環境における迅速な適応能力を付与し、生涯学習（lifelong learning）において重要な側面であることが示されている。本論文では、少数のサンプルから構築される動的分類器を導入することで、少サンプル学習（few-shot learning）のためのフレームワークを提案する。動的分類器の中心となるブロックとして、部分空間法（subspace method）を活用する。実証的に、このようなモデル化が摂動（例えば外れ値）に対して高いロバスト性を示し、教師ありおよび半教師あり少サンプル分類タスクにおいて競争力ある結果を達成することを示す。さらに、識別性能をさらに向上させるための判別型（discriminative）な形式も提案する。本研究のコードは、https://github.com/chrysts/dsn_fewshot にて公開されている。