Dans cet article, nous présentons CensNet, un réseau de neurones graphes basé sur la convolution avec commutation entre nœuds et arêtes (Convolution with Edge-Node Switching graph neural network), destiné à la classification et la régression semi-supervisées sur des données structurées en graphe possédant à la fois des caractéristiques de nœuds et d’arêtes. CensNet constitue un cadre général d’encodage de graphes, permettant d’encoder à la fois les nœuds et les arêtes dans un espace de caractéristiques latentes. En exploitant le graphe ligne du graphe non orienté original, les rôles des nœuds et des arêtes sont intervertis, et deux nouvelles opérations de convolution de graphe sont proposées pour la propagation des caractéristiques. Les résultats expérimentaux sur des réseaux de citations académiques réels ainsi que sur des graphes de chimie quantique démontrent que notre approche atteint ou égale les performances les plus avancées de l’état de l’art.