Graph Convolutional Networks (GCN), Kipf und Welling veröffentlichten auf der ICLR-Konferenz 2017 ein Papier mit dem Titel „Graph Convolutional Networks (GCN)“.Halbüberwachte Klassifizierung mit Graph Convolutional Networks“, in dem die theoretischen Grundlagen und die Anwendung von GCN ausführlich erörtert wurden.

GCN erfasst die lokale Struktur und Merkmalsinformationen von Knoten im Diagramm durch Diagrammfaltungsoperationen und erreicht so eine effektive Verarbeitung und Analyse von Diagrammdaten. In Graph-Convolutional-Netzwerken werden die Merkmale eines Knotens mit den Merkmalen seiner Nachbarknoten aggregiert, um den Status des Knotens zu aktualisieren. GCN verwendet normalerweise die Laplace-Matrix des Graphen, um die Aggregationsbeziehung zwischen Knoten zu definieren und die Merkmale der Knoten durch diese Beziehung zu verbreiten. Der Schlüssel zu GCN liegt darin, dass es graphisch strukturierte Daten gut verarbeiten kann, weshalb es in der Analyse sozialer Netzwerke, der Bioinformatik, Empfehlungssystemen und anderen Bereichen weit verbreitet ist.