Les Graph Neural Networks (GNN) sont une nouvelle forme de réseaux de neurones artificiels (en anglais artificial neural networks) qui se basent sur des graphiques. Pour comprendre les GNN, il faut tout d’abord comprendre ce que recouvre le terme de « graphique » dans ce contexte. En informatique, ce mot désigne un type de données particulier : un graphique se compose de plusieurs points (nodes ou vertices) reliés entre eux (par des bords ou edges) et constituent des paires. Un exemple simple : la personne A et la personne B peuvent être matérialisées par un point dans un graphique. Leur relation correspond au lien entre ces points. Si la relation disparait, on se retrouve avec un ensemble de personnes, donc de données.
Une sous-catégorie bien connue du graphique est l’arbre : cette fois, les nodes sont reliés entre eux de manière à ce qu’il n’y ait qu’un seul chemin entre le point A et le point B (même dans le cas de plusieurs nodes). Les bords peuvent suivre une seule direction ou aucune direction. Dans un graphique, les relations sont aussi importantes que les données elles-mêmes. À l’instar de chaque node, chaque bord peut avoir des attributs.
Le graphique est donc particulièrement adapté pour représenter des réalités concrètes. C’est cette propriété qui permet de faire progresser le deep learning : rendre les situations naturelles accessibles aux logiciels. C’est exactement ce que permet le Graph Neural Network : dans un GNN, les nodes recueillent des informations auprès de leurs voisins, car ils échangent régulièrement des informations entre eux. C’est ainsi qu’un réseau de neurones en graphique peut apprendre : les informations sont relayées et enregistrées dans les propriétés de chaque node.