Nous proposons un nouveau modèle de réseau de neurones convolutionnel spectrale (CNN) sur des données structurées en graphe, appelé Réseaux à Boucle de Rétroaction Distribués (DFNets). Ce modèle intègre une classe robuste de filtres graphiques spectraux, nommés filtres à boucle de rétroaction, afin d’obtenir une meilleure localisation sur les sommets, tout en garantissant une convergence rapide et une complexité mémoire linéaire. Théoriquement, les filtres à boucle de rétroaction assurent la convergence par rapport à une borne d’erreur donnée et peuvent être appliqués de manière universelle à tout graphe, sans nécessiter de connaissance préalable de sa structure. En outre, la règle de propagation de ce modèle permet de diversifier les caractéristiques issues des couches précédentes, favorisant ainsi des flux de gradients puissants. Nous avons évalué notre modèle sur deux tâches de référence : la classification documentaire semi-supervisée sur des réseaux de citations et la classification d’entités semi-supervisée sur un graphe de connaissances. Les résultats expérimentaux montrent que notre modèle surpasse significativement les méthodes de pointe dans les deux tâches de référence, sur l’ensemble des jeux de données testés.