Los métodos tradicionales de clasificación de malware que dependen de grandes conjuntos de datos preetiquetados fallan al encontrarse con tipos de malware nuevos o en evolución, especialmente cuando solo hay unas pocas muestras disponibles. Y la mayoría de los modelos actuales utilizan una arquitectura fija; sin embargo, las características de los distintos tipos de malware difieren significativamente. Esta discrepancia resulta en un rendimiento de clasificación notablemente inferior para ciertas categorías o muestras con características poco comunes, pero las amenazas de estas muestras de malware son de igual significancia. En este documento, presentamos Adaptive Graph ProtoNet (AGProto), un enfoque novedoso para clasificar malware en el campo del Aprendizaje de Pocas Muestras. AGProto aprovecha las Redes Neuronales de Grafos (GNNs) para propagar las características de las muestras y generar múltiples prototipos. Emplea un mecanismo de atención para calcular la relevancia de cada prototipo para las muestras individuales, lo que resulta en un prototipo personalizado para cada caso. Nuestro enfoque logró un rendimiento óptimo en dos conjuntos de datos de clasificación de malware de pocas muestras, superando a otros modelos competitivos con una mejora de precisión de más del 2%. En escenarios extremadamente desafiantes, específicamente tareas de clasificación de 20 clases con solo cinco muestras por clase, nuestro método destacó notablemente, logrando más del 70% de precisión, superando significativamente a las técnicas avanzadas existentes.