Les Réseaux de Neurones Convolutifs Spectraux (GCNs) sont une généralisation des réseaux de neurones convolutifs à l'apprentissage sur des données structurées en graphe. Bien que les applications des GCNs spectraux aient connu des succès, elles ont été limitées à quelques problèmes où le graphe est fixe, tels que la correspondance de formes et la classification de nœuds. Dans ce travail, nous abordons cette limitation en revisitant une famille particulière de réseaux de neurones spectraux, les Chebyshev GCNs, en démontrant leur efficacité pour résoudre des tâches de classification de graphes avec une structure et une taille variables. Les Chebyshev GCNs restreignent les graphes à avoir au plus un seul lien entre chaque paire de nœuds. À cet effet, nous proposons un nouveau réseau multigraphe qui apprend à partir de graphes multi-relationnels. Nous modélisons les arêtes apprises avec un sens abstrait et expérimentons différentes méthodes pour fusionner les représentations extraites des arêtes annotées et apprises, obtenant des résultats compétitifs sur divers benchmarks de classification chimique.