一般来说，少镜头分类存在的挑战有两点：
不对称分类：base类样本数量远超novel类中，因此在分类器中通常倾向于判定节点是base节点而不是novel节点。
不一致偏好：个人理解是学习base节点特征的权重与novel节点特征的权重是不一样的。
关于不一致性偏好有一个形象的例子：
就比如如果相同类之间会连起来，那么对于类中元素比较多的（多镜头状态）自然而然注意力最好应该放在附近的小范围内。然而类中元素比较少的（少镜头状态）自然而然注意力最好应该放在更远的大范围内。
为了解决这两个难题，提出了元学习法：
粗浅的理解，大概就是，用大量所有任务的样本训练元学习器，然后元学习器帮助分类器更好地训练学习测试任务的测试样本。
这种元学习法可以用进少镜头学习中。
值得一提的是，这种解决方法存在一种假设，即所有测试节点必须从novel类中独立采样，这在真实世界的应用中很难实现。
因此，提出了广义少镜头分类问题，也就是测试节点要从base和novel中共同取样。
值得一提的是，权重选择器包含两个部分：
第一，和元学习器一样的学习器
第二，根据shot-aware选择不同的权重，这是因为测试样本不只是novel节点，还有base节点，而二者的最适合权重是不一样的。