图神经网络已经成为图结构数据上机器学习问题的最重要方法之一。最近的研究建议以深度和分布式学习模型来实现高性能和可扩展性。但是，论文《Revisiting Graph Neural Networks: All We Have is Low-Pass Filters》的研究者发现，基准数据集的特征向量能够为分类任务提供大量有用信息，而图结构仅提供一种数据去噪方法。在论文中，研究者建立了一个基于图信号处理的理论框架，以分析图神经网络。结果表明，图神经网络仅能在特征向量上执行低通滤波，并且不具备非线性流形学习属性。研究者还进一步研究了它们对特征噪声的复原力，同时就基于图卷积网络的图神经网络设计提出一些见解。