في العديد من المجالات، يتم تمثيل العلاقات بين الفئات في الرسم المعرفي (Knowledge Graph). في الآونة الأخيرة، تم تحقيق نتائج واعدة من خلال دمج الرسم المعرفي كمعلومة جانبية في مهام التصنيف الصعب ذات البيانات المحدودة جدًا. ومع ذلك، فإن النماذج السابقة تتسم ببنية معقدة جدًا تحتوي على العديد من المكونات الفرعية التي تبدو كلها تؤثر على الأداء. في هذه الورقة، نقدم دراسة تجريبية شاملة حول التعلم القائم على الرسم المعرفي في سياق التعلم القليل التدريب (Few-Shot Learning). ونُقدّم منهجية ت régularisation (تقوية) تعتمد على الرسم المعرفي، تُمكّن من فهم أعمق لتأثير دمج المعلومات الرسومية بين التصنيفات (اللاتي). وتمتاز هذه التقوية المقترحة بالقابلية الواسعة للتطبيق، ومستقلة عن النموذج (model-agnostic)، كما أنها تُحسّن أداء أي نموذج للتعلم القليل التدريب، بما في ذلك النماذج القائمة على التخصيص (fine-tuning)، والأساليب القائمة على المقاييس (metric-based)، والتعلم التكراري القائم على التحسين (optimization-based meta-learning). وتحسّن منهجيتنا أداء النماذج القوية الأساسية بنسبة تصل إلى 2% على مجموعة Mini-ImageNet و6.7% على ImageNet-FS، متفوّقة بذلك على أحدث الأساليب القائمة على الرسم المعرفي. كما كشفت التحليلات الإضافية أن النماذج التي تُطبّق التقوية الرسومية تُظهر فقدانًا أقل في المهام الصعبة، مثل المهام التي تتميز بعدد قليل جدًا من الأمثلة الداعمة (shots) أو أمثلة داعمة غير مفيدة بشكل كافٍ.