L'apprentissage des représentations de graphes a récemment été appliqué à un large éventail de problèmes, allant de la graphique informatique et de la chimie à la physique des hautes énergies et aux réseaux sociaux. La popularité des réseaux de neurones sur graphes a suscité un vif intérêt, tant dans le milieu académique qu'industriel, pour le développement de méthodes capables de s'échelonner à de très grands graphes, tels que les réseaux sociaux Facebook ou Twitter. Dans la plupart de ces approches, le coût computationnel est réduit grâce à une stratégie d'échantillonnage qui conserve uniquement un sous-ensemble de voisins de nœuds ou de sous-graphes au moment de l'entraînement. Dans cet article, nous proposons une nouvelle architecture d'apprentissage profond sur graphes, efficace et évolutif, qui contourne la nécessité d'un échantillonnage de graphe en utilisant des filtres de convolution sur graphe de différentes tailles, pouvant être précalculés de manière efficace, permettant ainsi un entraînement et une inférence extrêmement rapides. Notre architecture permet d'utiliser différents opérateurs locaux sur graphe (par exemple, des matrices d'adjacence induites par motifs ou des matrices de diffusion de PageRank personnalisé) afin de mieux adapter la méthode à la tâche considérée. Nous menons une évaluation expérimentale approfondie sur diverses benchmarks publiques et montrons que notre approche est compétitive par rapport aux architectures les plus avancées, tout en nécessitant une fraction du temps d'entraînement et d'inférence. En outre, nous obtenons des résultats de pointe sur ogbn-papers100M, le plus grand jeu de données public de graphes, comptant plus de 110 millions de nœuds et 1,5 milliard d'arêtes.