Grafos modelam problemas do mundo real. Nos diferentes problemas de classificação modelados por grafos, existe uma classe que interesse. Considerando o aprendizado de máquina, o One-Class Learning (OCL) é capaz de classificar instâncias de uma determinada classe observando somente instâncias desta classe uma vez que o OCL treina somente com estas instancias e posteriormente classifica uma instancia como pertencente a classe de interesse ou não. Portanto, One-class graph learning é uma estrategia atrativa para resolução de problemas do mundo real. Podemos dividir os trabalhos de One-class graph learning em três familias: (i) graph embeddings em conjunto com o OCL; (ii) Graph Neural Networks não supervisionadas em conjunto com OCL; e (iii) One-class graph neural networks (estado-da-arte). O objetivo central desse trabalho é avançar o estado da arte de one-class learning para graph neural networks.