Das Lernen von Darstellungen auf Graphen spielt eine entscheidende Rolle bei zahlreichen Aufgaben der Mustererkennung. Im Gegensatz zu gitterförmigen Bildern/Videos, auf denen lokale Faltungskerne als Gitter realisiert werden können, sind Graphen vollständig koordinatenfrei in Knoten und Kanten. In dieser Arbeit schlagen wir ein Framework für Gauss-induzierte Faltung (GIC) vor, um lokale Faltungsfilterung auf unregelmäßigen Graphen durchzuführen. Insbesondere wird ein kanteninduziertes Gauß-Mischmodell entwickelt, um die Variationen von Untergraphengebieten durch Integration von Kanteninformationen in gewichtete Gauß-Modelle zu kodieren, wobei jedes Modell implizit eine Komponente der Untergraphenvariationen charakterisiert. Um einen Graphen zu vergröbern, leiten wir ein knoteninduziertes Gauß-Mischmodell ab, das Knoten dynamisch nach der Verbindung der Kanten clustert und etwa gleichwertig ist mit dem gewichteten Graph-Cut. Wir führen unser mehrschichtiges Graph-Faltungsnetzwerk auf mehreren öffentlichen Datensätzen zur Graphklassifizierung durch. Die umfangreichen Experimente zeigen, dass unser GIC effektiv ist und die neuesten Stand-der-Technik-Ergebnisse erzielen kann.