本文提出了GOTHAM框架，旨在解决图数据分析中的节点分类问题，特别是在标签不足的情况下处理新类。该框架结合原型表示和知识蒸馏技术，有效应对少量或无标签的新类，实验结果表明其在多种任务中具有良好的适应性和有效性。

该研究提出了一种从世界模型的循环状态中学习原型表示的方法，以提高基于模型的强化学习代理在处理视觉干扰方面的鲁棒性。DreamerPro 模型通过将 Dreamer 与原型组合起来，在标准设置和存在复杂背景干扰的情况下都取得了大幅性能提高。