Wir stellen ein neuartiges spektrales Faltungsneuronales Netzwerk (CNN) für graphenstrukturierte Daten vor, namens Distributed Feedback-Looped Networks (DFNets). Dieses Modell integriert eine robuste Klasse spektraler Graphfilter, sogenannte Feedback-Loop-Filter, um eine verbesserte Lokalisierung auf Knoten zu erreichen, während gleichzeitig eine schnelle Konvergenz und lineare Speicheranforderungen gewährleistet sind. Theoretisch können Feedback-Loop-Filter die Konvergenz bezüglich einer vorgegebenen Fehlerschranke garantieren und universell auf beliebige Graphen angewendet werden, ohne deren Struktur zu kennen. Darüber hinaus ermöglicht die Propagationsregel dieses Modells eine Vielfalt der Merkmale aus den vorhergehenden Schichten, was starke Gradientenflüsse erzeugt. Wir haben unser Modell anhand zweier Benchmark-Aufgaben evaluiert: semi-supervised Dokumentenklassifikation auf Zitierungsnetzwerken und semi-supervised Entitätsklassifikation auf einem Wissensgraphen. Die experimentellen Ergebnisse zeigen, dass unser Modell sowohl in den beiden Benchmark-Aufgaben als auch über alle verwendeten Datensätze die derzeit besten Methoden deutlich übertrifft.