Wir schlagen vor, das Problem des Few-Shot-Lernens durch die Brille der Inferenz auf einem teilweise beobachteten graphischen Modell zu betrachten, das aus einer Sammlung von Eingabebildern konstruiert wird, deren Label entweder beobachtet werden können oder nicht. Durch die Angleichung generischer Message-Passing-Inferenzalgorithmen mit ihren neuronalen Netzwerk-Äquivalenten definieren wir eine Graph-Neuronalen-Netz-Architektur, die mehrere der kürzlich vorgeschlagenen Few-Shot-Lernmodelle verallgemeinert. Neben der Verbesserung der numerischen Leistungsfähigkeit lässt sich unser Rahmen leicht auf Varianten des Few-Shot-Lernens erweitern, wie zum Beispiel semisupervisiertes oder aktives Lernen, was die Fähigkeit grafischer Modelle zeigt, gut bei 'relationären' Aufgaben zu performen (relational).