Les graphes sont des structures de données puissantes qui représentent principalement les relations entre des entités.

La représentation par graphe est très courante dans de nombreux contextes d'application, des réseaux sociaux à la chemo-informatique et aux systèmes de transport. Mais les graphes ont été utilisés efficacement dans de nombreux autres contextes, en particulier le traitement d'images et la vision par ordinateur.

Les méthodes de reconnaissance des formes utilisant des graphes ont été proposées depuis le début des années 90. Dans cette première période, jusqu'à environ 2010, les chercheurs se sont concentrés sur les problèmes d'appariement de graphes et de topologie sur graphe. Ensuite il y a eu un intérêt de plus en plus grandissant pour les techniques d'apprentissage profond, et l'utilisation des graphes dans les réseaux neuronaux.

L'objectif de cette travail est d'exposer les travaux courants autour de l'utilisation des graphes dans les réseaux de neurones. En particulier nous illustrerons: les travaux liès à un projet régional (APR DOING) dans lequel l'objectif est de construire des bases de données graphe et utiliser des méthodes de machine learning pour prédir des liens entre les données ou bien classifier les noeuds sur la base des proprietés (features et voisinage) associés au noeud; les travaux liés à un projet national (ANR CodeGNN) autour de la classification de séquences de graphes par des téchniques de Deep Learning.