Les méthodes actuellement populaires pour l'apprentissage semi-supervisé avec des Réseaux Neuronaux Graphiques (comme le Graph Convolutional Network) ne peuvent pas, de manière prouvée, apprendre une classe générale de relations de mélange de voisinage. Pour remédier à cette faiblesse, nous proposons un nouveau modèle, MixHop, capable d'apprendre ces relations, y compris les opérateurs de différence, en mélangeant répétitivement les représentations des caractéristiques des voisins à différentes distances. MixHop n'exige ni une mémoire supplémentaire ni une complexité computationnelle accrue et surpasse les baselines difficiles. De plus, nous proposons une régularisation de parcimonie qui nous permet de visualiser comment le réseau priorise les informations de voisinage dans différents jeux de données graphiques. Notre analyse des architectures apprises révèle que le mélange de voisinage varie selon les jeux de données.