GNN起源
GNN是壹種連接模型，通過網絡中節點之間的信息傳遞的方式來獲取圖中的依存關系，GNN通過從節點任意深度的鄰居來更新該節點狀態，這個狀態能夠表示狀態信息。
對於 GNN 模型，我們引入了按圖類型，傳播類型和訓練類型分類的變體。此外，我們還總結了幾個統壹表示不同變體的壹般框架。在應用程序分類方面，我們將 GNN 應用程序劃分為結構場景，非結構場景和其他場景，然後對每個場景中的應用程序進行詳細介紹。最後，我們提出了四個開放性問題，指出了圖神經網絡的主要挑戰和未來研究方向，包括模型深度，可擴展性，處理動態圖和非結構場景的能力。
1.1 動機壹：CNN的缺陷
CNN的核心特點在於：局部連接(local connection)，權重***享(shared weights)和多層疊加(multi-layer)
這些同樣在圖問題中非常試用，因為圖結構是最典型的局部連接結構，其次，***享權重可以減少計算量，另外，多層結構是處理分級模式(hierarchical patterns)的關鍵。
傳統的深度學習方法被應用在提取歐氏空間數據的特征方面取得了巨大的成功，但許多實際應用場景中的數據是從非歐式空間生成的，傳統的深度學習方法在處理非歐式空間數據上的表現卻仍難以使人滿意。
CNN只能在歐幾裏得數據(Euclideandata)，比如二維圖片和壹維文本數據上進行處理，而這些數據只是圖結構的特例而已，對於壹般的圖結構，則很難使用