Niet alle data past in een raster. Sociale netwerken, moleculen en wegenkaarten zijn grafieken, met knooppunten en verbindingen in plaats van pixels of reeksen. Grafische neurale netwerken werken direct op deze structuur en wisselen berichten uit tussen verbonden knooppunten om representaties te leren.

De kern van het proces is het doorgeven van berichten. Elk knooppunt verzamelt informatie van zijn buren, werkt zijn eigen representatie bij en herhaalt dit een aantal rondes. Na voldoende lagen codeert elk knooppunt informatie uit zijn directe omgeving.

Veelvoorkomende grafiektaken

• Knooppuntclassificatie
• Linkvoorspelling
• Grafiekclassificatie
• Verbindingen aanbevelen
• Het voorspellen van moleculaire eigenschappen

Schaalvergroting is een uitdaging. Grote grafieken bevatten miljoenen knooppunten en verbindingen, en training in volledige batches past niet in het geheugen. Steekproeftechnieken en mini-batchmethoden maken training mogelijk, zij het ten koste van de nauwkeurigheid.