El aprendizaje profundo ha presentado su espectacular potencial en el campo del reconocimiento de interferencias. Sin embargo, las muestras suficientes requeridas por los métodos de análisis de aprendizaje profundo normal no siempre están disponibles, especialmente en el campo de la comunicación 6G. Esta situación parece ser más desafiante en el campo de la comunicación. En este artículo, el Aprendizaje Meta-Agnóstico de Modelos (MAML) se importa al campo del reconocimiento de interferencias con el fin de lograr un reconocimiento de interferencias compuestas en circunstancias de aprendizaje de pocas muestras. Además, la investigación existente sobre técnicas de reconocimiento de interferencias se basa principalmente en el reconocimiento de un solo nodo. Esta técnica no puede hacer uso completo y eficiente de la información de interferencias recopilada. Por lo tanto, este artículo añade una técnica colaborativa de múltiples nodos en el algoritmo de reconocimiento de interferencias compuestas que se basa en MAML y análisis tiempo-frecuencia. Basándose en el hecho de que cada nodo cognitivo puede reconocer de forma independiente, los resultados de reconocimiento se envían al centro de fusión. El centro de fusión completa la fusión de los resultados de reconocimiento de acuerdo con la regla de la mayoría. Los experimentos demuestran que, con la fusión de la técnica colaborativa de múltiples nodos, la precisión del reconocimiento de interferencias compuestas en la condición de aprendizaje de pocas muestras ha sido mejorada de manera efectiva.