Les réseaux de neurones graphiques (GNN) ont fait preuve de leur efficacité dans divers domaines pour l'apprentissage à partir de données structurées en graphe. Ce papier explore l'application de techniques d'apprentissage par ensemble afin d'améliorer les performances et la robustesse des réseaux de neurones graphiques (GNN). En entraînant plusieurs modèles GNN avec des initialisations ou architectures diverses, nous proposons un modèle d'ensemble nommé ELGNN, qui capte différentes facettes des données et utilise l'algorithme Tree-Structured Parzen Estimator (TPE) pour déterminer les poids de l'ensemble. La combinaison des prédictions de ces modèles améliore la précision globale, réduit à la fois le biais et la variance, et atténue l'impact des données bruitées. Nos résultats démontrent l'efficacité de l'apprentissage par ensemble pour renforcer les capacités des GNN dans l'analyse de données structurées complexes en graphe. Le code est disponible publiquement à l'adresse suivante : https://github.com/wongzhenhao/ELGNN.