在深度学习时代，GNN在以下几个方面得到了迅速发展。
- 提出了大量新的GNN模型，包括谱方法和空间方法。
- 侧重于图的任务，例如图分类，需要得到整个图的表示。因此，许多池化方法被提出来，以从节点表示中获得图表示。
- 传统的DNN容易收到对抗性攻击，GNN也继承了这一缺点。研究者已经开发了多种图对抗攻击方法和各种图对抗防御技术。
- 可扩展性是GNN面临的紧迫问题。目前已存在很多将GNN应用到大型图的策略。
- 新的GNN模型被设计用于处理发杂图，例如异构图、二分图、多维图、有符号图、超图和动态图。
- 更多的深度架构被扩展到图上，诸如自编码器、变分自编码器、递归神经网络和生成对抗网络等。
- 由于图是一种通用的数据表示形式，因此GNN已被用于许多领域，例如自然语言处理、计算机视觉、数据挖掘和医疗健康。