Graph Neural Networks (GNN) sind eine neue Unterform von künstlichen neuronalen Netzen (englisch: Artificial Neural Networks) auf der Basis von Graphen. Um GNNs zu verstehen, muss man also zunächst wissen, was in diesem Zusammenhang mit einem Graph gemeint ist. In der Informatik versteht man unter dem Begriff einen bestimmten Datentyp: Ein Graph besteht aus mehreren Punkten (Knoten oder vertices), die miteinander in Verbindung stehen (über Ecken oder edges) und so Paare bilden. Als einfaches Beispiel: Person A und Person B können in einem Graph als Punkte realisiert werden. Ihre Beziehung zueinander ist dann die Verbindung. Würden die Verbindungen wegfallen, hätte man nur eine Sammlung von Personen, beziehungsweise von Daten.
Eine bekannte Unterform eines Graphen ist der Baum: Dort sind die Knotenpunkte so miteinander verbunden, dass es immer nur einen Pfad (auch über mehrere Knotenpunkte hinweg) zwischen Punkt A und Punkt B gibt. Die Kanten können entweder eine Richtung oder keine Richtung haben. Bei einem Graphen sind die Verbindungen genauso wichtig wie die Daten selbst. Sowohl jede Kante als auch jeder Knoten können mit Attributen versehen werden.
Ein Graph ist also bestens geeignet, reale Gegebenheiten darzustellen. Genau das ist eine Herausforderung bei Deep Learning: natürliche Zustände für Software greifbar machen. Ein Graph Neural Network ermöglicht genau das: In einem GNN sammeln Knoten Informationen von ihren Nachbarn, da die Knoten untereinander regelmäßig Nachrichten austauschen. Auf diese Weise kann das Graph Neural Network lernen: Informationen werden weitergegeben und in die Eigenschaften des jeweiligen Knotens aufgenommen.