Les réseaux de neurones graphiques (GNN) se sont révélés être des modèles efficaces pour diverses tâches prédictives sur des données structurées en graphes. Les travaux récents sur leur pouvoir d’expression se sont concentrés sur les tâches d’isomorphisme et les espaces de caractéristiques dénombrables. Nous étendons ce cadre théorique pour intégrer les caractéristiques continues — fréquentes dans les domaines d’entrée du monde réel ainsi que dans les couches cachées des GNN — et démontrons la nécessité d’utiliser plusieurs fonctions d’agrégation dans ce contexte. À cet effet, nous proposons une nouvelle architecture, appelée Agrégation Principale des Voisins (PNA), combinant plusieurs opérateurs d’agrégation avec des facteurs d’échelle basés sur le degré (qui généralisent l’agrégateur somme). Enfin, nous comparons la capacité de différents modèles à capturer et exploiter la structure du graphe à l’aide d’une nouvelle évaluation incluant plusieurs tâches issues de la théorie classique des graphes, ainsi que des benchmarks existants provenant de domaines réels, tous mettant en évidence la supériorité de notre modèle. Dans ce travail, nous espérons orienter une partie de la recherche sur les GNN vers de nouvelles méthodes d’agrégation que nous considérons essentielles pour concevoir des modèles puissants et robustes.