이종 그래프에서의 Few-shot 학습(FLHG)은 레이블이 부족한 데이터에서도 성능 저하를 최소화하기 위해 개발되었다. 이 논문은 FLHG의 세 가지 시나리오(단일 이종성, 이중 이종성, 다중 이종성)를 체계적으로 분석하고, 각 시나리오에 대한 연구 진척 상황과 향후 전망을 제시한다.
이종 그래프에서의 Few-shot 학습(FLHG)은 레이블이 부족한 데이터에서도 성능 저하를 방지하기 위해 개발되었다. FLHG는 단일 이종성, 이중 이종성, 다중 이종성의 세 가지 시나리오로 구분되며, 각 시나리오에 대한 연구 진척 상황과 향후 전망을 제시한다.