Beliebte Graph-Neuronale Netze implementieren Faltungsvorgänge auf Graphen basierend auf polynomialen spektralen Filtern. In dieser Arbeit schlagen wir eine neuartige Graph-Faltungs-Schicht vor, die von dem autoregressiven gleitenden Durchschnittsfilter (ARMA-Filter) inspiriert ist. Im Vergleich zu polynomialen Filtern bietet dieser eine flexiblere Frequenzantwort, ist robuster gegenüber Rauschen und erfasst die globale Graphstruktur besser. Wir schlagen eine Implementierung des ARMA-Filters in Graph-Neuronalen Netzen mit einer rekursiven und verteilten Formulierung vor, wodurch wir eine Faltungs-Schicht erhalten, die effizient zu trainieren ist, lokal im Knotenraum ist und auf neue Graphen zur Testzeit übertragen werden kann. Wir führen eine spektrale Analyse durch, um den Filtereffekt der vorgeschlagenen ARMA-Schicht zu untersuchen, und berichten über Experimente an vier Downstream-Aufgaben: semi-supervisiertes Knotenklassifizierung, Klassifizierung von Graphsignalen, Graphklassifizierung und Graphregression. Die Ergebnisse zeigen, dass die vorgeschlagene ARMA-Schicht signifikante Verbesserungen gegenüber Graph-Neuronalen Netzen bringt, die auf polynomialen Filtern basieren.