Les réseaux de neurones graphiques sont des réseaux neuronaux spécialement adaptés aux structures de graphes, en échangeant des informations entre les nœuds et leurs voisins.
L'idée de base est que chaque nœud met à jour son état en agrégeant les caractéristiques des nœuds et des arêtes voisines.
Les modèles typiques de GNN utilisent des étapes itératives d'échange de messages et d'agrégation (Message Passing) pour capturer les informations locales et globales du graphe.
Cette technique est utilisée dans des domaines tels que l'analyse moléculaire, les systèmes de recommandation et les prévisions de réseaux.
Différentes architectures comme les Graph Convolutional Networks (GCN) ou les Graph Attention Networks (GAT) étendent le concept par des méthodes d'agrégation et de pondération variées.