本研究致力于发展一种在少量标记数据情况下对未标记数据进行分类的方法并提出一种新型Prototypical Networks和一种使用未标记数据的元学习算法来解实际问题，经过对Omniglot、miniImageNet和ImageNet进行实验，验证了这些算法可以使预测结果得到显著改进。

Mar, 2018

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

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

本文提出一种基于图元学习的框架，名为GPN，用于在属性网络上进行少样本节点分类任务，经过大量实验证明GPN模型的优越性。

Jun, 2020

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

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

本研究提出一种名为Virtual Node Tuning (VNT)的创新方法，利用预训练图变换器作为编码器，在嵌入空间中注入虚拟节点作为软提示，以几个有标签的节点进行优化，以调节每个特定的FSNC任务的 node embeddings，通过集成基于图的伪提示演进模块的VNT-GPPE，可以处理基类中标记稀疏的情况，在四个数据集上的实验结果表明，该方法优于现有的最先进方法和完全监督的基线。

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