機械学習アプリケーションにおける優れた特徴量の学習プロセスは、非常に計算コストが高く、データが限られている場合には特に困難となる場合がある。このような状況の代表例が、1ショット学習（one-shot learning）の設定であり、ここで我々は、各新しいクラスについてたった1つの例しか与えられない状況で正確な予測を行う必要がある。本論文では、入力間の類似度を自然に順位付けできる独自の構造を採用するシメイズ（Siamese）ニューラルネットワークの学習手法を検討する。ネットワークのチューニングが完了すれば、強力な識別的特徴を活用して、ネットワークの予測能力を新しいデータにとどまらず、未知の分布からの完全に新しいクラスにも一般化できる。畳み込みアーキテクチャを用いることで、他の深層学習モデルを上回る優れた結果が得られ、1ショット分類タスクにおいてほぼ最先端（near state-of-the-art）の性能を達成した。