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

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

该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

Mar, 2023

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

本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

Jun, 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

本文提出了一种基于元学习的模型 ——GSHOT，用于少样本有标签图生成。通过将元知识从类似的辅助图数据集中传递过来，GSHOT 能够快速自适应到未见过的图数据集，并通过自学习微调生成具有优越保真度的图，相对于现有基线拥有更好的性能。

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

本文提出通过部分观察的图模型推断来研究少样本学习问题，结合传递消息推断算法与神经网络的图神经网络架构，可以泛化多个最近提出的少样本模型，并可以扩展到半监督学习和主动学习等少样本学习变种，展示了图形模型在关系型任务上操作的能力。

Nov, 2017