本論文では、新しいエッジラベリンググラフニューラルネットワーク（EGNN）を提案します。このネットワークは、エッジラベリンググラフ上で深層ニューラルネットワークを適応させ、少ショット学習に用います。これまでの少ショット学習におけるグラフニューラルネットワーク（GNN）アプローチは、ノードラベリングフレームワークに基づいており、クラスタ内類似性とクラスタ間非類似性を暗黙的にモデル化していました。対して、提案するEGNNは、グラフ上のエッジラベルを予測することに焦点を当てており、クラスタ内類似性とクラスタ間非類似性の両方を直接利用しながらエッジラベルを反復的に更新することで、明示的なクラスタリングの進化を可能にします。また、クラス数が異なる場合でも再学習せずに動作でき、伝導的推論にも容易に拡張できるという特徴があります。EGNNのパラメータは、エッジラベリング損失を使用したエピソード訓練によって学習され、未見の低データ問題に対する汎化性能の高いモデルが得られます。2つのベンチマークデータセットを使用した監督および半監督少ショット画像分類タスクにおいて、提案するEGNNは既存のGNNよりも大幅に性能向上を達成しています。