Dans ce travail, nous proposons d'utiliser des outils issus de la géométrie de l'information afin d'optimiser une architecture de réseau de neurones sur graphe, telle que les réseaux de convolution sur graphe (Graph Convolutional Networks). Plus précisément, nous développons des algorithmes d'optimisation pour l'apprentissage semi-supervisé basé sur les graphes en exploitant l'information du gradient naturel au cours du processus d'optimisation. Cela nous permet d'exploiter efficacement la géométrie du modèle statistique sous-jacent ou de l'espace des paramètres pour l'optimisation et l'inférence. À notre connaissance, il s'agit du premier travail qui utilise le gradient naturel pour l'optimisation des réseaux de neurones sur graphe, une approche pouvant être étendue à d'autres problèmes d'apprentissage semi-supervisé. Des algorithmes de calcul efficaces sont proposés, et des études numériques approfondies sont menées afin de démontrer la supériorité de nos algorithmes par rapport aux méthodes existantes telles que ADAM et SGD.