Die meisten auf Graph-Netzwerken basierenden Meta-Lernansätze modellieren die Instanz-Level-Beziehungen zwischen Beispielen. Wir erweitern diese Idee weiter, um explizit die Verteilungs-Level-Beziehungen eines einzelnen Beispiels zu allen anderen Beispielen in einer 1-zu-N-Weise zu modellieren. Wir schlagen einen neuartigen Ansatz namens Distribution Propagation Graph Network (DPGN) für Few-Shot-Lernen vor. DPGN übermittelt sowohl Verteilungs-Level-Beziehungen als auch Instanz-Level-Beziehungen innerhalb jeder Few-Shot-Lernaufgabe. Um die Verteilungs-Level-Beziehungen und Instanz-Level-Beziehungen aller Beispiele zu kombinieren, konstruieren wir ein doppeltes vollständiges Graph-Netzwerk, das aus einem Punkt-Graphen und einem Verteilungs-Graphen besteht, wobei jeder Knoten ein einzelnes Beispiel darstellt. Dank der dualen Graph-Architektur propagiert DPGN Label-Informationen von gelabelten zu ungelabelten Beispielen über mehrere Aktualisierungsgenerationen hinweg. In umfangreichen Experimenten auf gängigen Few-Shot-Lern-Benchmarks erreicht DPGN im überwachten Szenario eine deutlich bessere Leistung als die derzeit besten Ansätze, mit einer Steigerung von 5 % bis 12 %, und im semi-überwachten Szenario von 7 % bis 13 %. Der Quellcode wird veröffentlicht.