La capacidad de detener el malware tan pronto como comienza a propagarse siempre jugará un papel importante en la defensa de los sistemas informáticos. Debe ser un gran beneficio para las organizaciones, así como para la sociedad, si los sistemas de defensa inteligentes pudieran detectar y prevenir nuevos tipos de malware tan pronto como revelen solo una pequeña cantidad de muestras. Un enfoque introducido en este documento aprovecha los algoritmos de aprendizaje One-shot/Few-shot para resolver los problemas de clasificación de malware utilizando una Red Neuronal Aumentada por Memoria en combinación con técnicas de Procesamiento de Lenguaje Natural como word2vec y n-gram. Incorporamos las llamadas a la API del malware, que son fuentes de información muy valiosas para identificar los comportamientos del malware, en los diferentes espacios de características, y luego las alimentamos a los modelos de aprendizaje one-shot/few-shot. La evaluación del modelo en los dos conjuntos de datos (FFRI 2017 y APIMDS) muestra que los modelos con diferentes parámetros podrían lograr una alta precisión en la clasificación de malware con solo unas pocas muestras. Por ejemplo, en el conjunto de datos APIMDS, pudo adivinar correctamente el 78.85% después de ver solo nueve muestras de malware y el 89.59% después de ajustar finamente con algunas otras muestras. Los resultados confirmaron muy buenas precisiones en comparación con otros métodos tradicionales y apuntan a una nueva área de investigación sobre malware.