대부분의 소량 샘플 학습(few-shot learning) 접근 방식은 (事前)훈련 중 목표 작업 영역과 관련된 비용이 많이 드는 주석 데이터(annotated data)에 의존합니다. 최근에는 비지도 메타학습 방법들이 주석 요구를 줄이는 대신 소량 샘플 분류 성능이 감소하는 문제를 해결하였습니다. 동시에, 실제 도메인 이동(realistic domain shift) 환경에서는 일반적인 전이 학습(transfer learning)이 지도 메타학습을 능가하는 것으로 나타났습니다. 이러한 인사이트와 자기 지도 학습(self-supervised learning)의 발전을 바탕으로, 우리는 라벨되지 않은 원형 샘플들과 그 증강(augmentations)들을 가까이 모아주는 거리 기반 임베딩(metric embedding)을 구축하는 전이 학습 접근 방식을 제안합니다. 이 사전 훈련된 임베딩은 클래스 클러스터(class clusters)를 요약하고 미세 조정(fine-tuning)하여 소량 샘플 분류의 출발점이 됩니다. 우리는 제안한 자기 지도 원형 전이 학습 접근 방식인 ProtoTransfer가 mini-ImageNet 데이터셋에서 유래한 소량 샘플 작업에서 최신 비지도 메타학습 방법들을 능가함을 입증하였습니다. 도메인 이동 환경에서의 소량 샘플 실험에서는 우리의 접근 방식이 지도 방법들과 유사한 성능을 보여주지만, 주석 라벨(annotation labels)의 수가 몇 개 차수.magnitude) 적게 필요하다는 것을 확인하였습니다.注：在翻译中，"magnitude" 被翻译为 "차수"，这是指数量级的意思。为了保持专业性和准确性，这里保留了这种表达方式。