Ce travail généralise les réseaux neuronaux sur graphes (RNG) au-delà de ceux basés sur l'algorithme de Weisfeiler-Lehman (WL), les laplaciens de graphe et les diffusions. Notre approche, dénommée Relational Pooling (RP) [Regroupement Relationnel], s'appuie sur la théorie de l'échangeabilité partielle finie pour fournir un cadre doté d'une puissance représentative maximale pour les graphes. Le RP peut fonctionner avec des modèles existants de représentation de graphes et, de manière quelque peu contre-intuitive, peut les rendre encore plus puissants que le test d'isomorphisme original WL. De plus, le RP permet l'utilisation d'architectures telles que les Réseaux Neuronaux Récurents et les Réseaux Neuronaux Convolutifs dans une approche théoriquement solide pour la classification de graphes. Nous démontrons une amélioration des performances des représentations de graphes basées sur le RP par rapport aux méthodes de pointe sur plusieurs tâches.