In dieser Arbeit schlagen wir ein neuartiges Kantenbeschriftungs-Graph-Neuronales Netzwerk (EGNN) vor, das ein tiefes Neuronales Netzwerk auf einem Kantenbeschriftungs-Graph anwendet, um Few-Shot-Lernen durchzuführen. Die bisherigen Ansätze von Graph-Neuronalen Netzen (GNN) im Few-Shot-Lernen basierten auf einem Knotenbeschriftungsrahmen, der die Intra-Cluster-Ähnlichkeit und die Inter-Cluster-Dissimilarität implizit modelliert. Im Gegensatz dazu lernt das vorgeschlagene EGNN, die Kantenbeschriftungen statt der Knotenbeschriftungen zu vorhersagen. Dies ermöglicht eine explizite Clusterevolution durch iterative Aktualisierung der Kantenbeschriftungen unter direkter Nutzung sowohl der Intra-Cluster-Ähnlichkeit als auch der Inter-Cluster-Dissimilarität. Das EGNN ist zudem gut geeignet, um bei unterschiedlichen Anzahlen von Klassen ohne erneutes Training aufzutreten und kann leicht erweitert werden, um eine transduktive Inferenz durchzuführen. Die Parameter des EGNN werden durch episodisches Training mit einem Kantenbeschriftungsverlust gelernt, um ein gut verallgemeinerbares Modell für unbekannte Probleme mit wenigen Daten zu erhalten. Bei den überwachten und semi-overwachten Few-Shot-Bildklassifizierungsaufgaben mit zwei Benchmark-Datensätzen verbessert das vorgeschlagene EGNN die Leistungen signifikant im Vergleich zu bestehenden GNNs.