Los humanos son capaces de aprender nuevos conceptos a partir de un pequeño número de ejemplos. En contraste, los modelos de aprendizaje profundo supervisado suelen carecer de la capacidad para extraer reglas predictivas fiables de escenarios de datos limitados al intentar clasificar nuevos ejemplos. Este escenario desafiante se conoce comúnmente como aprendizaje de pocos ejemplos. El aprendizaje de pocos ejemplos ha ganado atención en los últimos años debido a su importancia para muchos problemas del mundo real. Recientemente, nuevos métodos que se basan en paradigmas de meta-aprendizaje combinados con estructuras basadas en grafos, que modelan la relación entre ejemplos, han mostrado resultados prometedores en una variedad de tareas de clasificación de pocos ejemplos. Sin embargo, el trabajo existente sobre el aprendizaje de pocos ejemplos se centra únicamente en las incrustaciones de características producidas por la última capa de la red neuronal. La contribución novedosa de este artículo es la utilización de información de niveles inferiores para mejorar el rendimiento del meta-aprendiz en el aprendizaje de pocos ejemplos. En particular, proponemos el método Looking-Back, que podría utilizar información de niveles inferiores para construir gráficos adicionales para la propagación de etiquetas en configuraciones de datos limitados. Nuestros experimentos en dos conjuntos de datos populares de aprendizaje de pocos ejemplos, miniImageNet y tieredImageNet, muestran que nuestro método puede utilizar la información de niveles inferiores en la red para mejorar el rendimiento de clasificación de vanguardia.