金翅导读
卷积神经网络已成功应用于解决诸如图像分类语义分割或机器翻译等问题，其中解决的这些问题的基础数据表示具有网格状结构。但是，目前许多有趣的任务的数据为无法以网格状结构表示的数据，而这些数据位于不规则的域中。用来表示3D网格，社交网络，电信网络，生物网络或大脑连接组的数据就是这种情况。此类数据通常可以以图表的形式表示，并且图形提供了一种直观合理的表示图像关系的方式，所以对图数据的研究日益增多。已经有很多文献中已经涉及到扩展神经网络使其来处理任意结构的图。早期的工作使用递归神经网络来处理，图域表示为有向无环图的数据（Frasconi等人1997年提出，Sperduti和Starita1998年提出）。图神经网络（GNN）作为递归神经网络的一般化，可以直接处理更通用的图类，例如：循环图，有向图和无向图。由Gori等人在2005年以及Scarselli等人于2009年提出。GNN包含一个迭代过程，该过程传播节点状态直至达到平衡；然后结点经过神经网络，该神经网络根据其状态为每个节点生成输出。Li等人于2016年采纳了这个想法并利用Cho等人于2014年提出的门控循环单元在传播阶段对这个想法进行了改进。目前，大家越来越有兴趣将卷积推广到图域中去。其中，图卷积网络的方法可以大致分为空间卷积和频谱卷积方法。
