Les réseaux neuronaux sur graphes (GNNs) ont considérablement amélioré la puissance de représentation des données structurées en graphe. Malgré les succès récents des GNNs, la convolution de graphe dans la plupart des GNNs présente deux limitations. Étant donné que la convolution de graphe est effectuée dans un petit voisinage local du graphe d'entrée, elle est intrinsèquement incapable de capturer les dépendances à longue portée entre les nœuds distants. De plus, lorsque les voisins d'un nœud appartiennent à différentes classes, c'est-à-dire en présence d'hétérophilie, les messages agrégés provenant de ces voisins peuvent souvent avoir un effet négatif sur l'apprentissage des représentations. Pour remédier à ces deux problèmes courants de la convolution de graphe, nous proposons dans cet article des Réseaux Neuronaux Convolutifs Déformables sur Graphe (Deformable GCNs) qui effectuent adaptativement la convolution dans plusieurs espaces latents et capturent les dépendances à courte et longue portée entre les nœuds. Séparées des représentations nodales (caractéristiques), notre cadre apprend simultanément les plongements positionnels des nœuds (coordonnées) pour déterminer les relations entre les nœuds de manière end-to-end. Selon la position du nœud, les noyaux de convolution sont déformés par des vecteurs de déformation et appliquent différentes transformations à leurs nœuds voisins. Nos expériences approfondies montrent que les Deformable GCNs gèrent flexiblement l'hétérophilie et atteignent les meilleures performances dans les tâches de classification nodale sur six jeux de données hétérophiles.