Wir präsentieren einen skalierbaren Ansatz für das semisupervisierte Lernen auf graphenstrukturierten Daten, der auf einer effizienten Variante von Faltungsneuronalen Netzen basiert, die direkt auf Graphen operieren. Wir begründen die Wahl unserer Faltungskonstruktion durch eine lokalisierte Approximation erster Ordnung von spektralen Graphfaltungen. Unser Modell skaliert linear mit der Anzahl der Graphenkanten und lernt verborgene Schichtrepräsentationen, die sowohl lokale Graphstruktur als auch Knotenmerkmale kodieren. In einer Reihe von Experimenten an Zitationsnetzwerken und einem Wissensgraphendatensatz zeigen wir, dass unser Ansatz vergleichbare Methoden deutlich übertrifft.