多数のグラフネットワークベースのメタラーニング手法は、サンプル間のインスタンスレベルの関係をモデル化している。本研究では、このアイデアをさらに発展させ、1対Nのアプローチにより、あるサンプルと他のすべてのサンプルとの間の分布レベルの関係を明示的にモデル化する。これにより、少サンプル学習（few-shot learning）に向けた新しい手法である分布伝搬グラフネットワーク（Distribution Propagation Graph Network, DPGN）を提案する。DPGNは、各少サンプル学習タスクにおいて、分布レベルの関係とインスタンスレベルの関係の両方を伝達する。すべてのサンプルに対する分布レベルの関係とインスタンスレベルの関係を統合するために、各ノードがサンプルを表す点グラフと分布グラフから構成される二重完全グラフネットワークを構築する。この二重グラフ構造を備えるDPGNは、複数の更新世代にわたり、ラベル付きサンプルからラベルなしサンプルへとラベル情報を伝搬する。少サンプル学習のベンチマークにおける広範な実験の結果、教師あり設定下では既存の最先端手法を5%～12%、半教師あり設定下では7%～13%の大幅な上回る性能を達成した。コードは公開予定である。