跨域少样本图分类
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
本文提出了一种基于元学习的Meta-Graph框架，该框架使用高阶梯度以及一个条件生成图神经网络初始化的学习图签名函数，可以在少量训练数据的情况下快速适应新图，并在收敛时获得更好的结果。
Dec, 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
提出了一种新的少样本学习框架 FAITH，通过构建分层任务图并设计基于损失的采样策略来捕获任务相关性，利用学习到的任务之间的相关性进行少样本图分类，实验结果表明其在四个流行的少样本图分类数据集上表现优于其他现有方法。
May, 2022
提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类，无监督学习，域适应等领域中需要大量标记成本的问题，此方法使用图形结构在多个视图上进行对比学习。
Jun, 2023
本研究针对现有文献主要关注transductive few-shot node classification，忽视了broader few-shot learning community中广泛研究的inductive setting的问题，提出了一个特定的inductive few-shot node classification baseline方法，并通过实证研究凸显当前框架的局限性，期望为更好地理解meta-learning范式在图领域中的作用提供新途径。
Jun, 2023
本文提出了一种名为COSMIC的图形式的新颖对比元学习框架，并通过丰富内部类可泛化性和生成硬节点类来增强跨类可泛化性，从而使少数样本节点分类的性能得到提升。
Jun, 2023
我们通过广泛的实验验证了对比学习和元学习相结合的新模式COLA在少样本节点分类任务中的重要性，并证明COLA在所有任务上都取得了新的最先进水平。
Sep, 2023
综合分析了最近的Graph表示学习的发展情况，并提供了比较和未来方向，将现有研究系统分类为元学习方法、预训练方法和混合方法，并比较它们的优势和局限性，为Few-shot学习在图上的未来方向提供了引导。
Feb, 2024