Graph Neural Networks sind neuronale Netze, die speziell auf Graphstrukturen angepasst sind, indem sie Informationen zwischen Knoten und ihren Nachbarn austauschen.
Die Grundidee ist, dass jeder Knoten seinen Zustand durch Aggregation von Merkmalen benachbarter Knoten und Kanten aktualisiert.
Typische GNN-Modelle verwenden iterative Nachrichtenaustausch- und Aggregationsschritte (Message Passing), um lokale und globale Graphinformationen zu erfassen.
Diese Technik findet Anwendung in Bereichen wie Molekülanalyse, Empfehlungssystemen und Netzwerkvorhersagen.
Verschiedene Architekturen wie Graph Convolutional Networks (GCN) oder Graph Attention Networks (GAT) erweitern das Konzept durch unterschiedliche Aggregations- und Gewichtungsmethoden.