AI 下一拐点，图卷积神经网络有多强大？

2012年至今，随着深度神经网络理论与计算设备的发展，卷积神经网络（CNN）得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。尤其是在图像分类、目标检测等主要的计算机视觉任务中，CNN一直都是最主流的方法。

卷积神经网络，虽然取得了巨大成功，但也面临较大局限，即局限于处理欧氏空间的数据（或者有规则的空间数据）,图像、语音。

图1：图像、语音的空间数据，节点的连接是规则的，能够用一维、二维的矩阵表示，卷积神经网络处理起来很高效

面对无规则的空间数据，如交通流数据、社交多媒体网络数据、化学成分结构数据、生物基因蛋白数据以及知识图谱数据，传统卷积神经网络发挥不了作用。

图2：社交网络的图数据结构，每个节点连接都不尽相同，有的节点有2个连接，有的节点1个连接

规则与无规则的空间数据，本质上说，都可以表示成图结构的形式。那么，有没有一种卷积神经网络既适用于规则的图结构数据，又适用于不规则的数据呢？

近年来，图卷积神经网络（GCN）将深度神经网络应用于图结构数据上，取得了可喜的成果，已成为当下火热的研究方向。GCN在图像分类、目标检测、语义分割、视觉问答等领域的应用，已被陆续发表在CVPR、ICCV、ECCV、NeurIPS等计算机视觉与神经网络的顶级会议中。