Las redes neuronales destacan aprendiendo funciones complejas pero típicamente ignoran las relaciones entre las partes de los datos de entrada. Las Redes Neuronales Grafas (GNN) abordan esto al aplicar redes neuronales a estructuras de grafos — conjuntos de objetos con relaciones definidas como moléculas, redes sociales o sistemas de tráfico. Las GNN preservan la estructura del grafo mientras transforman los estados de los nodos, permitiendo tareas como clasificación de nodos, aristas o grafos, y generalizando a estructuras de grafos no vistas. Una aplicación clave incluye el descubrimiento de antibióticos.

Las Redes Convolucionales Grafas (GCNs) extienden el concepto de convolución desde imágenes a grafos. Al igual que las convoluciones de imágenes combinan un píxel con sus vecinos, las GCNs agregan las características de un nodo con las de sus nodos adyacentes. Los grafos generalizan las imágenes, donde los píxeles se conectan hasta a cuatro vecinos. Las GNN típicamente usan 2-4 capas; más capas corren el riesgo de sobre-suavizado, donde las representaciones de los nodos se vuelven indistinguibles. Cada capa actualiza independientemente los vectores de características del nodo mediante funciones de agregación.

Las Redes Neuronales de Pasada de Mensajes (MPNNs) proporcionan un marco unificado donde los nodos con intercambian mensajes con sus vecinos para actualizar sus estados. Las Redes de Atención Grafas (GATs) mejoran esto al usar mecanismos de atención para ponderar dinámicamente las contribuciones de los vecinos, permitiendo al modelo centrarse en los nodos más relevantes. Estas arquitecturas forman la base del aprendizaje moderno de representaciones graficas.