Die Darstellung von Graphen als Lernproblem erlebt aufgrund der weit verbreiteten Anwendung des Deep Learnings für euklidische Daten einen neuen Aufschwung. Dies inspiriert verschiedene kreative Entwürfe von neuronalen Netzen im nicht-euklidischen Bereich, insbesondere in Graphen. Mit dem Erfolg dieser graphbasierten neuronalen Netze (GNN) in statischen Szenarien nähern wir uns weiteren praktischen Situationen, in denen der Graph dynamisch evolviert. Bestehende Ansätze greifen in der Regel auf Knoteneinbettungen zurück und verwenden ein rekurrentes neuronales Netz (RNN, im weiteren Sinne) zur Regulierung der Einbettungen und zum Erlernen der zeitlichen Dynamik. Diese Methoden erfordern Kenntnisse über einen Knoten im gesamten Zeitraum (sowohl während des Trainings als auch des Testens) und sind weniger anwendbar bei häufig wechselnden Knotensätzen. In einigen Extremsituationen können die Knotensätze zu verschiedenen Zeitpunkten vollständig unterschiedlich sein. Um diese Herausforderung zu bewältigen, schlagen wir EvolveGCN vor, welches das Modell des graphbasierten Faltungsnetzes (GCN) entlang der zeitlichen Dimension anpasst, ohne auf Knoteneinbettungen zurückzugreifen. Der vorgeschlagene Ansatz erfängt die Dynamik der Graphsequenz durch die Verwendung eines RNN zur Evolution der GCN-Parameter. Zwei Architekturen werden für die Parameter-Evolution betrachtet. Wir evaluieren den vorgeschlagenen Ansatz anhand von Aufgaben wie Link-Vorhersage, Kantenklassifizierung und Knotenklassifizierung. Die experimentellen Ergebnisse deuten darauf hin, dass EvolveGCN im Allgemeinen eine höhere Leistung als verwandte Ansätze aufweist. Der Code ist unter \url{https://github.com/IBM/EvolveGCN} verfügbar.