更新时间：2023-07-11 14:31
图网络（Graph Network, GN）是在拓扑空间（topological space）内按图（graph）结构组织以进行关系推理（relational reasoning）的函数集合。在深度学习理论中是图神经网络（ graph neural network, GNN）和概率图模型（Probabilistic Graphical Model, PGM）的推广。
图网络由相互连接的图网络块（GN block）组成，在神经网络实现中也被称为“节点（node）”。节点间的连接被称为“边（edge）”，表示了节点间的依赖关系。图网络中节点和边的性质与图结构相同，因此可分为有向图（directed graph）和无向图（undirected graph）。有向图的例子包括递归神经网络（Recursive Neural Network）和循环神经网络（Recurrent Neural Network）；无向图的例子包括Hopfield神经网络、马尔可夫网络（Markov Network）等。需要指出，图网络在定义上并不是人工神经网络（Artificial Neural Network, ANN）的子集而是其推广，但在人工智能问题中，ANN是图网络的实现方式之一。
图网络的每个节点都有内部状态和系统状态，被称为“属性（attribute）”。图网络的属性会在计算中按时间步（time-step）更新，更新方式包括同步和异步两种，同步更新时，一个时间步内所有节点的属性都会更新，异步更新时，一个时间步内只有部分节点的属性得到更新。对一个由点集合 和边集合 组成的图网络 ，在时间步 ，其节点 的同步更新方式如下：
式中 为图节点的系统状态和内部状态， 为输入数据，若当前时间步没有输入则不参与计算， 为节点 的相邻节点， 为激励函数。图网络按以下方式输出网络的全局属性（global attribute）：
式中 为读出函数 （readout function），是所有节点属性的函数。图网络的异步更新方式可类比递归神经网络，对有向图，异步更新比同步更新效率更高。