本研究提出了一种新的频率适应与分散框架（FAD），有效解决跨域少样本学习中的显著分布转变问题。FAD通过频域建模提升模型的泛化能力，实验结果表明其在Meta-Dataset基准测试中优于现有方法。

本文研究了跨域少样本分类中原型与图像嵌入的差距，指出现有方法的等同变换限制了优化。提出了对比原型-图像自适应（CoPA）方法，通过不同变换缩小差距，在Meta-Dataset上效果显著。