神经网络擅长学习复杂函数，但通常忽略输入数据部分之间的关系。图神经网络（GNN）通过将神经网络应用于图结构来解决这一问题——即具有定义关系的对象集合，如分子、社交网络或交通系统。GNN 在保持图结构的同时转换节点状态，从而实现节点、边或图分类等任务，并推广到未见的图结构。关键应用包括抗生素发现。

图卷积网络（GCNs）将卷积概念从图像扩展到图结构。就像图像卷积将一个像素与其邻居结合一样，GCNs 聚合节点的特征与其相邻节点的特征。图结构泛化了图像，其中像素最多可连接四个邻居。GNN 通常使用 2-4 层；更多层会导致过度平滑，即节点表示变得不可区分。每一层都独立通过聚合函数更新节点特征向量。

消息传递神经网络（MPNNs）提供了一个统一的框架，其中节点与邻居交换消息以更新其状态。图注意力网络（GATs）通过使用注意力机制动态加权邻居贡献来增强这一点，允许模型关注最相关的节点。这些架构是现代图表示学习的基础。