Les graphes sont omniprésents. Ils permettent de représenter les données dans de nombreux domaines et  applications comme les réseaux sociaux, la chimie, la biologie, les systèmes de recommandation, etc.

Avec l'énorme succès que connaît l'apprentissage profond sur toutes sortes de structures de données régulières (images, scènes vidéo, audio, ...), l'extension des algorithmes d'apprentissage aux graphes  a suscité beaucoup d’intérêt. Cet intérêt a donné naissance à une nouvelle classe de réseaux de neurones, à savoir les GNN (graph neural networks). Cette classe est une généralisation des réseaux de neurones pour les données structurées de type graphes. Ces modèles se sont montrés extrêmement efficaces pour des tâches telles que la classification des graphes, la classification des nœuds et la prédiction des liens. Ils présentent cependant certaines limites, notamment en ce qui concerne les problèmes d'extensibilité. En fait, les GNNs souffrent d'une consommation de mémoire exponentielle qui va de paire avec la profondeur du modèle, ainsi que du problème de d’oversmoothing qui consiste en la convergence des représentations des nœuds en un seul point, ce qui rend très difficile au modèle d’'obtenir des résultats précis en sortie.

Dans cette thèse, nous soulevons quelques questions fondamentales sur le fonctionnement des GNNs, nous explorons de nouvelles approches pour les améliorer et enfin, nous étudions quelques cas applicatifs.