Wir stellen Diffusions-Konvolutionelle Neuronale Netze (DCNNs) vor, ein neues Modell für graphenstrukturierte Daten. Durch die Einführung einer Diffusions-Konvolution-Operation zeigen wir, wie diffusionsbasierte Darstellungen aus graphenstrukturierten Daten gelernt werden können und als effektive Grundlage für die Klassifikation von Knoten verwendet werden können. DCNNs haben mehrere attraktive Eigenschaften, darunter eine latente Darstellung für grafische Daten, die unter Isomorphismus invariant ist, sowie polynomiale Vorhersage- und Lernzeiten, die als Tensoroperationen dargestellt und effizient auf der GPU implementiert werden können. Anhand mehrerer Experimente mit realen strukturierten Datensätzen demonstrieren wir, dass DCNNs in relationalen Knotenklassifikationsaufgaben in der Lage sind, wahrscheinlichkeitstheoretische relationale Modelle und Graphkernelementmethoden zu übertreffen.