Wir schlagen das Lanczos-Netzwerk (LanczosNet) vor, das den Lanczos-Algorithmus verwendet, um niedrigrangige Approximationen des Graphen-Laplace-Operators für Graphen-Faltungen zu konstruieren. Durch die Verwendung der dreidiagonalen Zerlegung des Lanczos-Algorithmus nutzen wir nicht nur effizient mehrskalige Informationen über eine schnelle approximierte Berechnung von Matrixpotenzen aus, sondern entwerfen auch lernfähige spektrale Filter. Da LanczosNet vollständig differenzierbar ist, ermöglicht es sowohl das Lernen von Graphenkernen als auch das Lernen von Knoteneinbettungen. Wir zeigen den Zusammenhang zwischen unserem LanczosNet und graphbasierten Mannigfaltigkeitslernmethoden, insbesondere Diffusionskarten. Wir vergleichen unser Modell mit mehreren aktuellen tiefen Graphennetzwerken auf Zitaten-Netzwerken und dem QM8-Datensatz der Quantenchemie. Experimentelle Ergebnisse zeigen, dass unser Modell in den meisten Aufgaben den Stand der Technik erreicht. Der Quellcode ist unter folgender URL verfügbar: \url{https://github.com/lrjconan/LanczosNetwork}.