深層学習は、画像認識や自然言語処理などの分野において華々しい成果を収めてきており、それをグラフに対して適用するための研究が近年非常に盛んになってきている。グラフやグラフ中の頂点を高精度に分類することができれば、高度な画像認識、推薦システム、交通量予測、化合物分類などへの応用が期待できる。その一方で、グラフを扱う上での固有の問題やチャレンジがあることも指摘されてきている。
　本セミナーでは、グラフニューラルネットワークの基本的な知識およびいくつかの研究事例について紹介するとともに、今後の学習のための情報源などについても述べる。

1. イントロダクション
   1. 畳み込みニューラルネットワーク
   2. グラフの深層学習
   3. グラフを対象としたタスク
2. グラフニューラルネットワークの応用
   1. 画像認識、推薦システム、交通量予測、化合物分類
   2. COVID-19とグラフニューラルネットワーク
3. グラフエンベディング
   1. エンベディング
   2. DeepWalk
   3. LINE
4. Spectral Graph Convolution
   1. グラフ畳み込みのアプローチ
   2. グラフラプラシアン
   3. グラフフーリエ変換
   4. ChebNet
   5. GCN
5. Spatial Graph Convolution
   1. PATCHY-SAN
   2. DCNN
   3. GraphSAGE
6. 関連トピック
   1. Graph autoencoder
   2. Attention、GAT
   3. GraphRNN
   4. 動的変化とGNN
   5. 敵対的攻撃とGNN
   6. GNNの単純化・可能性・限界
   7. GNNの説明可能性
7. 今後の課題
   1. 浅い構造
   2. 動的グラフ
   3. 非構造データ
   4. スケーラビリティ
8. PyTorchによる実装
   1. 深層学習ライブラリ
   2. Google Colaboratory
   3. PyTorch
   4. PyTorch Geometric
   5. Open Graph Benchmark
9. 今後の学習のための情報源
   1. サーベイ論文、書籍
   2. Web上の情報源
   3. チュートリアル