De nombreux problèmes importants peuvent être formulés comme l'apprentissage à partir de données de graphe. Nous proposons un cadre pour l'apprentissage de réseaux neuronaux convolutifs sur des graphes arbitraires. Ces graphes peuvent être non orientés, orientés, et comporter à la fois des attributs discrets et continus pour les nœuds et les arêtes. De manière analogue aux réseaux neuronaux convolutifs basés sur les images qui opèrent sur des régions localement connectées de l'entrée, nous présentons une approche générale pour extraire des régions localement connectées à partir de graphes. En utilisant des ensembles de données de référence établis, nous démontrons que les représentations de caractéristiques apprises sont compétitives avec les noyaux de graphe d'avant-garde et que leur calcul est extrêmement efficace.