Wir schlagen Neural Graph Matching (NGM)-Netze vor, einen neuartigen Rahmen, der lernen kann, eine zuvor nicht gesehene 3D-Aktionsklasse mit nur wenigen Beispielen zu erkennen. Dies erreichen wir, indem wir die inhärente Struktur von 3D-Daten durch eine graphische Darstellung ausnutzen. Dadurch können wir unser Modell modular aufbauen und eine hohe Dateneffizienz im Few-Shot-Lernen erzielen. Genauer gesagt lernen NGM-Netze in einer end-to-end-Weise gemeinsam einen Graphengenerator und eine Graphenübereinstimmungsmetrik, um direkt das Few-Shot-Lernziel zu optimieren. Wir evaluieren NGM auf zwei Datensätzen für die 3D-Aktionserkennung, CAD-120 und PiGraphs, und zeigen, dass sowohl das Lernen zum Generieren als auch zum Matching von Graphen zu einer signifikanten Verbesserung der Few-Shot-3D-Aktionserkennung im Vergleich zu integrierten Baseline-Modellen führt.