Wir schlagen eine neue bayessche nichtparametrische Methode vor, um translationsinvariante Beziehungen auf nicht-euklidischen Gebieten zu lernen. Die resultierenden graphenkonvolutiven Gaußprozesse können auf Probleme im Maschinellen Lernen angewendet werden, bei denen die Eingabebeobachtungen Funktionen mit Domänen auf allgemeinen Graphen sind. Die Struktur dieser Modelle ermöglicht hochdimensionale Eingaben, während sie gleichzeitig ausdrucksstark bleiben, wie dies bei konvolutionellen neuronalen Netzen der Fall ist. Wir präsentieren Anwendungen von graphenkonvolutiven Gaußprozessen auf Bilder und dreieckige Netze (triangular meshes), wobei wir ihre Vielseitigkeit und Effektivität demonstrieren und sie sich den existierenden Methoden vergleichbar erweisen, obwohl es sich um relativ einfache Modelle handelt.