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

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

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

本综述论文简要概述了关于图数据增强和小样本学习的最新研究，涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术，以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域，并进一步对其进行细分分类，同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习，也研究了度量学习技术和基于优化的技术。总的来说，本论文提供了广泛的技术组合，可用于解决低数据情况下的图处理问题。

Nov, 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

这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

Apr, 2019

本文研究了现有少样本分类方法，提出了一种鲁棒性较好的方法来应对培训数据量和测试数据量不匹配等情况。该方法通过理论分析，将嵌套式学习（meta-learning）与原型网络（Prototypical Networks）相结合，以研究最佳 “Shot Number”（样本数量数），并取得了在少量训练数据和多量测试数据情况下良好的性能表现。

Sep, 2019

本研究探讨在图模型中实施分类增量学习的挑战性实际问题，提出了基于伪增量学习和分层注意力的图元学习框架，通过这些设计实验得出了该模型在图模型中表现出更好的增量学习效果。

Dec, 2021