현재 소수 샘플(few-shot) 학습 분야에서 데이터 레이블링 비용을 고려할 때, 미레이블링된 샘플이 제공하는 정확도 향상 측면에서 전이적 소수 샘플 학습(Transductive Few-Shot Learning)은 점점 더 주목받고 있다. 특히 소수 샘플 분류(Few-Shot Classification, FSC) 분야에서는 최근 연구들이 미지의 파라미터에 대해 가능도(likelihood) 또는 사후확률(posterior)를 최대화하는 방향으로 특징 분포를 탐구하고 있다. 이러한 흐름을 이어받아, FSC와 클러스터링 간의 유사성을 고려하여, 데이터 부족으로 인한 추정 불확실성의 고려를 개선하고, 각 클래스와 관련된 클러스터의 더 나은 통계적 성질을 확보하고자 한다. 본 논문에서는 변분 베이지안 추론(Variational Bayesian inference) 기반의 새로운 클러스터링 방법을 제안하며, 확률적 선형 판별 분석(Probabilistic Linear Discriminant Analysis)을 기반으로 한 적응형 차원 축소(Adaptive Dimension Reduction)를 통해 이를 추가로 개선한다. 제안된 방법은 기존 연구에서 사용된 특징을 적용했을 때, 다양한 소수 샘플 벤치마크에서 실제 비균형(transductive) 설정에서 정확도를 크게 향상시켰으며, 최대 6%의 정확도 향상 효과를 보였다. 또한 균형 잡힌 설정에서 적용했을 경우, 실용적 활용에 논란이 있는 클래스 균형 아티팩트(class-balance artefact)를 사용하지 않고도 매우 경쟁력 있는 성능을 달성하였다. 더 나아가, 고성능 사전 훈련된 백본(pretrained backbone)을 사용한 실험에서도 본 방법의 성능을 평가하였으며, 보고된 결과는 현재 최고 수준의 정확도를 초과하여 제안된 방법의 일반성(genericity)을 시사한다.