Les réseaux de neurones sur graphes existants peuvent souffrir du « problème de l’animation suspendue » lorsque l’architecture du modèle devient profonde. Par ailleurs, dans certains scénarios d’apprentissage sur graphes, tels que des nœuds dotés d’attributs textuels ou visuels, ou des graphes présentant des corrélations à longue distance entre nœuds, des réseaux de neurones sur graphes profonds s’avèrent nécessaires pour une apprentissage efficace des représentations de graphes. Dans cet article, nous proposons un nouveau réseau de neurones sur graphes, nommé DIFNET (Graph Diffusive Neural Network), destiné à l’apprentissage des représentations de graphes et à la classification des nœuds. DIFNET utilise à la fois des portes neuronales et l’apprentissage résiduel sur graphe pour modéliser les états cachés des nœuds, tout en intégrant un mécanisme d’attention afin de diffuser efficacement les informations provenant des voisins des nœuds. Des expérimentations étendues sont menées dans cet article afin de comparer DIFNET à plusieurs modèles de réseaux de neurones sur graphes de pointe. Les résultats expérimentaux démontrent clairement les avantages en termes de performance d’apprentissage et l’efficacité de DIFNET, en particulier dans la résolution du « problème de l’animation suspendue ».