我々はグラフ構造データ向けの新しいモデルである拡散畳み込みニューラルネットワーク（DCNNs）を提案します。拡散畳み込み演算の導入により、グラフ構造データから拡散に基づく表現を学習し、ノード分類に有効な基盤として利用する方法を示します。DCNNsには、同型不変性を持つグラフデータの潜在表現や、テンソル演算として表されGPU上で効率的に実装可能な多項式時間での予測と学習などの魅力的な特徴があります。実際の構造化データセットを用いた複数の実験を通じて、DCNNsが関係ノード分類タスクにおいて確率的関係モデルやグラフ上のカーネル手法よりも優れた性能を発揮できることを示しています。