Les réseaux neuronaux sur graphes (GNNs) ont suscité une attention croissante, en partie grâce à leurs performances supérieures dans de nombreuses tâches de classification de nœuds et de graphes. Cependant, il manque une compréhension claire de ce qu'ils apprennent et de la complexité des fonctions graphiques apprises. Dans cette étude, nous proposons une décomposition des GNNs pour la classification des graphes en deux parties : 1) le filtrage de graphe, où des agrégations basées sur les voisins sont effectuées, et 2) la fonction d'ensemble, où un ensemble de caractéristiques cachées de nœuds est composé pour la prédiction.Pour étudier l'importance de ces deux parties, nous proposons de les linéariser séparément. Nous commençons par linéariser la fonction de filtrage de graphe, ce qui donne lieu au Graph Feature Network (GFN), un réseau neuronal léger et simple défini sur un ensemble de caractéristiques augmentées du graphe. La linéarisation ultérieure de la fonction d'ensemble du GFN aboutit au Graph Linear Network (GLN), qui est une fonction linéaire.Nous évaluons empiriquement ces modèles sur des benchmarks courants de classification de graphes. À notre surprise, nous constatons que, malgré sa simplification, le GFN peut égaler ou surpasser les meilleures précisions obtenues par les GNNs récemment proposés (avec un coût computationnel fractionnaire), tandis que le GLN sous-performe considérablement. Nos résultats mettent en évidence l'importance d'une fonction d'ensemble non-linéaire et suggèrent que le filtrage linéaire de graphe associé à une fonction d'ensemble non-linéaire constitue un schéma efficace et puissant pour modéliser les benchmarks actuels de classification de graphes.