图神经网络（GNN）是一类处理图结构数据的深度学习模型，它通过在图的节点和边上进行信息传递和聚合，来学习图结构中的规律。图神经网络在处理具有复杂关系的数据（如社交网络、分子结构、交通网络等）时，能够有效地捕捉节点之间的关联信息。GNN广泛应用于社交网络分析、推荐系统、药物研发、交通预测等领域。
本文将探讨神经网络在农业中的多种应用，包括作物产量预测、病虫害识别、肥料推荐、气候适应性分析等，并分析其对未来农业发展的影响。
本文将对 GNN 基本组件和概念进行介绍：
图嵌入是一种解决图分析问题的有效方法，其将原始图数据转换到低维空间并保留关键信息，从而提升节点分类、链接预测、节点聚类等下游任务的性能。
机器学习 (ML) 方法已证明能够以传统理论化学方法的计算成本的一小部分来预测分子光谱，同时保持高精度。图神经网络（GNN）在这方面特别有前景，但尚未对不同类型的 GNN 进行系统比较。
尽管现代GNN在理解图形数据方面取得了巨大的成功，但在有效处理图形数据方面仍然存在一些挑战。
最近的一些研究发现很多自监督与无监督学习的技术思想也可适用于图类型的数据，我们在设计用于检测漏洞的图神经网络过程中也受到了很多来自CV、NLP领域自监督学习的启发来设计模型，我们今天将介绍一些其他研究者已经发表出来的相关的工作。