基本概念
传统的卷积神经网路只能处理欧式空间的数据，因为这些领域的数据具有平移不变性。平移不变性的优点使得我们可以再输入数据空间定义全局共享的卷积核，从而定义卷积神经网络。但是在图数据中，不存在平移变性，所以这对图数据上的卷积神经网络的定义提出了挑战。
主要的挑战：
1
2
3
图数据是非欧式空间：每个节点的结构各异，不满足平移不变性
图数据具有多样的特性：可以应用与社交网络、引文网络、政府关系网路等具有多样性的数据中。多样性使得其与生俱来带有更多的信息。
图数据的规模很大：实际应用的图数据规模很大
主要的工作集中在：卷积算子（刻画节点的局部结构）的定义、池化算子（扩大感受野、降低参数、学到网络的层级化表示）的定义以及对相应变种图的精细化设计。
在建模中关注的任务：
1
2
节点级别的任务：节点分类、链接预测，如引文网络中的文章分类、推荐系统中用户对商品的偏好判断。
图级别的任务：图生成、图分类等，如药物网络的生成、蛋白质网络中蛋白质分类
谱方法：利用图上卷积定理从谱域定义图卷积
空间方法：从节点域出发，通过定义聚合函数来聚合每个中心节点和其邻近节点
基本公式
应用
方向
深层的网路结构：目前的情况是，深层网络迫使节点的表示过于平滑，节点间区分度变弱 大规模数据：现有方法在大规模图数据中的表现力很弱，因为过程中的计算量的问题 多尺度的图上任务： 动态变化的图数据： 图数据的复杂特性： 图神经网络上的对抗攻击： 图神经网络的可解释性：
