「几何深度学习」从古希腊到AlphaFold，「图神经网络」起源于物理与化学(9)

对通用图结构处理的第一次处理，以及「图神经网络」这一术语的创造，发生在2000年以后，由Marco Gori和Franco Scarselli领导的锡耶纳大学团队提出了第一个GNN。他们依靠递归机制，要求神经网络参数指定收缩映射，从而通过搜索固定点来计算节点表征，这本身就需要一种特殊形式的反向传播，而且完全不依赖节点特征。

上述所有问题都被Yujia Li的Gated GNN（GGNN）模型所纠正，包括许多现代RNN的机制，如门控机制和通过时间的反向传播。

Alessio Micheli在同一时期提出的图的神经网络（NN4G）[37]使用了前馈而非递归的架构，事实上更类似于现代的GNNs。

另一类重要的图神经网络，通常被称之为谱（spectral），是由Joan Bruna和合作者利用图傅里叶变换的概念而产生的。这种构造的根源在于信号处理和计算谐波分析，在2000年代末和2010年代初，处理非欧几里得信号已经成为新趋势。

来自Pierre Vandergheynst和José Moura小组的有影响力的论文普及了图信号处理（GSP）的概念和基于图邻接和拉普拉斯矩阵特征向量的傅里叶变换的概括。

Michaël Defferrard和Thomas Kipf和Max Welling的图卷积神经网络依赖于频谱滤波器，是该领域中被引用最多的。

回归化学原点