L'apprentissage de représentations de graphes redevient un sujet de recherche en vogue grâce à l'utilisation généralisée de l'apprentissage profond pour les données euclidiennes, ce qui inspire diverses conceptions créatives de réseaux de neurones dans le domaine non euclidien, en particulier les graphes. Avec le succès de ces réseaux de neurones sur graphes (GNN) dans des configurations statiques, nous abordons des scénarios plus pratiques où le graphe évolue dynamiquement. Les approches existantes recourent généralement aux plongements (embeddings) des nœuds et utilisent un réseau neuronal récurrent (RNN, au sens large) pour réguler les plongements et apprendre la dynamique temporelle. Ces méthodes nécessitent une connaissance du nœud sur toute la durée (y compris pendant l'entraînement et les tests) et sont moins adaptées aux changements fréquents de l'ensemble des nœuds. Dans certains scénarios extrêmes, les ensembles de nœuds à différents pas de temps peuvent être complètement différents. Pour relever ce défi, nous proposons EvolveGCN, qui adapte le modèle de réseau convolutif sur graphe (GCN) le long de la dimension temporelle sans recourir aux plongements des nœuds. L'approche proposée capture la dynamique de la séquence de graphes en utilisant un RNN pour faire évoluer les paramètres du GCN. Deux architectures sont envisagées pour l'évolution des paramètres. Nous évaluons l'approche proposée sur des tâches telles que la prédiction de liens, la classification d'arêtes et la classification de nœuds. Les résultats expérimentaux indiquent une performance généralement supérieure d'EvolveGCN par rapport aux approches connexes. Le code est disponible à l'adresse \url{https://github.com/IBM/EvolveGCN}.