Wir stellen das Graph-Wavelet-Neuronale Netzwerk (GWNN) vor, ein neuartiges konvolutionsbasiertes neuronales Netzwerk (CNN), das die Graph-Wavelet-Transformation nutzt, um die Nachteile früherer spektraler Graph-CNN-Methoden zu überwinden, die auf der Graph-Fourier-Transformation basieren. Im Gegensatz zur Graph-Fourier-Transformation kann die Graph-Wavelet-Transformation durch einen schnellen Algorithmus ohne teure Matrix-Eigenwertzerlegung berechnet werden. Zudem sind Graph-Wavelets dünn besetzt und lokalisiert im Knotenbereich, was eine hohe Effizienz und gute Interpretierbarkeit für die Konvolution auf Graphen bietet. Das vorgeschlagene GWNN erzielt bei der Aufgabe der graphbasierten semi-supervisierten Klassifikation auf drei Benchmark-Datensätzen – Cora, Citeseer und Pubmed – deutlich bessere Ergebnisse als frühere spektrale Graph-CNNs.