Viele wichtige Probleme können als Lernen aus Graphendaten formuliert werden. Wir schlagen einen Rahmen für das Lernen von Faltungsneuronalen Netzen (Convolutional Neural Networks) für beliebige Graphen vor. Diese Graphen können ungerichtet, gerichtet sein und sowohl diskrete als auch kontinuierliche Knoten- und Kantenattribute aufweisen. Analog zu bildbasierten Faltungsnetzen, die auf lokal verbundenen Bereichen der Eingabe operieren, präsentieren wir einen allgemeinen Ansatz zur Extraktion lokal verbundener Regionen aus Graphen. Anhand etablierter Benchmark-Datensätze zeigen wir, dass die gelernten Merkmalsrepräsentationen mit den besten aktuellen Graphkernen konkurrieren und ihre Berechnung hoch effizient ist.