グラフ機械学習は、グラフ構造データのモデリングと分析を行うための機械学習手法の一種です。その主な目的は、ノード、エッジ、ノードまたはエッジの属性などの情報を用いて、データ内の構造的関係と特徴表現を学習することです。規則的なグリッドデータや独立したサンプルを主に扱う従来の機械学習とは異なり、グラフ機械学習は、ソーシャルネットワーク、知識グラフ、分子構造、輸送ネットワーク、レコメンデーションシステムなど、複雑な相互接続関係を持つデータを扱うことができます。

グラフ機械学習の開発は、グラフ理論、ネットワーク分析、機械学習など、複数の分野に基づいています。初期の研究では、主に手動で設計されたグラフ特徴量と従来のグラフアルゴリズムによる分析に依存していました。ディープラーニングの発展に伴い、研究者たちはグラフニューラルネットワーク（GNN）の研究を開始し、ニューラルネットワークを用いてグラフ構造からノード表現を直接学習するようになりました。2017年、アムステルダム大学の研究者たちは論文を発表しました… グラフ畳み込みネットワークによる半教師あり分類 本論文では、グラフ畳み込み演算によって近傍ノード情報を集約し、グラフデータに対する半教師あり学習能力を向上させるグラフ畳み込みネットワーク（GCN）を提案しており、グラフニューラルネットワーク分野における重要な代表的研究の一つとなっている。

現代のグラフ機械学習手法は、ノード分類、リンク予測、グラフ分類、関係推論といったタスクに広く用いられています。グラフニューラルネットワーク、グラフ表現学習、グラフベースモデルの発展に伴い、この分野は計算生物学、創薬、知識グラフ、レコメンデーションシステム、サイバーセキュリティ、情報検索などにも応用され、複雑な関係データを分析するための重要な技術的手段を提供しています。