许多科学领域的研究数据的底层结构是非欧几里得（non-Euclidean）的。
例如计算社交科学里的社交网络、脑成像里的功能网络、基因工程里的结构网络、计算图像学的网格化表面。
在许多的应用中，这种图数据的规模是非常大且复杂的（比如社交网络，biliions的规模），是机器学习技术天然的对象。
尤其，我们想使用深度神经网络（机器学习里的一种技术），其最近被证明是处理计算机视觉，自然语言处理、语音分析这种大范围问题的一个强有力的工具。
==但是==，这些工具的成功大多数是在底层结构是欧几里得结构或者像网格的结构，或者是把这种结构的变体扔进网络进行建模。
Geometric deep learning 是一个统称术语，其尝试泛化（结构话的）深度神经模型到非欧式领域（如图、流）。
这篇文章的目的是综述图神经网络问题的不同例子、提出可行的解决方案、关键困难、应用、这个新生领域的研究方向。