-L'apprentissage avec peu d'exemples est un problème de l'apprentissage automatique où très peu d'exemples étiquetés sont disponibles. Souvent, les connaissances d'un modèle pré-entraîné avec beaucoup de données sur des classes disjointes sont transférées pour répondre au problème. Il est communément admis que, plus ces données de pré-entraînement sont nombreuses et variées, meilleure sera la performance. Au contraire, nous montrons que moins peut faire mieux. Au travers d'expériences et d'une modélisation basée sur le rapport signal à bruit, nous montrons qu'un choix plus judicieux de ces données peut être fait.