Nous présentons les réseaux de neurones à convolution diffusionnelle (DCNNs), un nouveau modèle pour les données structurées en graphe. Grâce à l'introduction d'une opération de convolution diffusionnelle, nous montrons comment des représentations basées sur la diffusion peuvent être apprises à partir de données structurées en graphe et utilisées comme base efficace pour la classification des nœuds. Les DCNNs possèdent plusieurs qualités attractives, notamment une représentation latente des données graphiques qui est invariante sous isomorphisme, ainsi que des prédictions et apprentissages en temps polynomial qui peuvent être représentés par des opérations tensorielles et mis en œuvre efficacement sur GPU. À travers plusieurs expériences avec des jeux de données structurés réels, nous démontrons que les DCNNs sont capables de surpasser les modèles relationnels probabilistes et les méthodes noyau sur graphe dans les tâches de classification relationnelle des nœuds.