链接：
摘要：图表示学习由于其优异的性能在许多实际应用中引起了极大的关注。然而，特定任务的监督图表示学习模型经常遇到标签稀疏问题小综述的格式，因为标记数据总是耗时且资源密集型的。在此基础上，提出了Few-Shot Learning on Graphs（FSLG），它结合了图表示学习和few-shot学习的优点，解决了在面对有限标记数据的挑战时性能下降的问题。最近有很多关于 FSLG 的研究。在本文中，我们以一系列方法和应用的形式全面回顾了这些工作。具体来说，我们首先介绍了 FSLG 的挑战和基础，然后根据节点、边和图三个不同粒度级别的图挖掘任务对现有的 FSLG 工作进行分类和总结。最后，展望了FSLG未来的研究方向。
目录
1 简介
贡献如下：
2 FSLG 挑战和基础
作为人工智能领域一个新的、有前景的研究课题小综述的格式，FSLG面临以下主要挑战：
FSLG问题的唯一性：
方法的复杂性
图挖掘应用的多样性
2.1 图表示学习
现有的 GRL 方法一般分为三类：
gnn 是目前 GRL 中最先进的技术，最常用于构建 FSLG 方法的 GRL 主干
2.2 Few-Shot 学习
FSLG模型中使用的FSL方法主要分为两类：
2.3 FSLG 问题
不同的 FSLG 问题共享相同的 FSL 设置。
下面介绍三个典型的FSLG问题，分别对应三个图挖掘任务
除了以上三个典型问题，FSLG还存在图上小样本异常检测、小样本推荐等问题
3 FSLG 方法和应用
一般来说，FSLG 结合了 GRL 和 FSL 的优点，适用于各种应用。在本节中，我们全面回顾了当前的 FSLG 方法和应用，将它们系统地分为三个部分，分别对应第 2.3 节中的三个问题：节点级 FSL、边缘级 FSL 和图级 FSL。请注意，大多数 FSLG 方法采用两种典型的 FSL 技术：基于度量的方法和基于优化的方法。因此，将各部分的方法根据其所依赖的FSL技术分为两组，然后讨论相关应用。最后，表 1 列出了具有代表性的 FSLG 研究及其开源代码/数据集。
3.1 节点级 FSL
除此之外，还有一些特别的工作：HG-Meta 提出通过对图结构异质性和任务多样性建模来解决异构图上的小样本点分类问题。
Meta-GDN：图上的小样本异常检测方法
MetaHG：基于异构图的元知识提取，用于社交媒体上的毒贩检测
3.2 边缘级 FSL
稍微
3.3 图级FSL
稍微
4 FSLG 未来研究方向
FSLG 是一个新兴且发展迅速的研究课题。虽然取得了重大进展，但仍然存在许多挑战。这为未来的研究方向开辟了许多途径。在本节中，我们将识别并简要讨论其中的一些。
5 结论
图表示学习和few-shot learning作为人工智能领域的两大研究热点，奠定了新的研究方向：图上的few-shot learning（few-shot learning）的基础。 -shot learning on graphs, FSLG），对各个应用领域都具有重要意义。在本文中，我们首先介绍了 FSLG 的主要挑战和基础。然后，我们全面回顾了现有的 FSLG 研究，将其系统地分为三个部分，分别解决节点级、边缘级和图级问题。最后，我们讨论了几个关键的紧迫问题，并分享了我们对未来的想法。
