提出了一种新的基于元学习的图分类模型 Meta-GNN，能够在非欧几里得领域解决节点分类问题，并在多个基准数据集上实现了较大幅度的性能改进和任务适应能力的提高。

May, 2019

本篇研究研究了在说名高成本的标注或标签问题下，如何使用监督图形对比学习，数据增强，子图编码和多尺度对比等机制，实现图形节点分类任务的有效编码器。实验表明，相比基于元学习的方法，这个新的框架可以显著提高少样本节点分类问题的性能。

Mar, 2022

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021

本文提出一种少样本学习方法，即使用原型网络从小样本中抽象出原型，将其映射到一个度量空间中，比较测试样本和原型之间的距离来进行分类，同时还将其拓展到零样本学习，取得了最先进的结果。

Mar, 2017

本文介绍一种基于原型传播网络 (PPN) 的元学习方法来改善少样本分类任务的性能，该方法可以使用粗标签进行弱监督，通过原型在类别图上的传播来学习注意机制以实现不同少样本任务上的高准确率。

May, 2019

本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

Oct, 2019

本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。

Sep, 2019

本研究探讨了采用少量标注异常来进行网络异常检测的问题，并提出一种新的图神经网络方法和跨网络元学习算法来解决这个问题，并通过大量实验验证了其有效性。

Feb, 2021

为解决图神经网络 (Graph Neural Networks) 在 few-shot 节点分类任务中标注样本不足的情况，本文提出了一种基于元学习的方法 Task-Equivariant Graph few-shot learning (TEG)，通过学习可转移的任务自适应策略，使用更少的训练元任务达到了最先进的分类性能。

May, 2023

本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

Dec, 2021