グラフ学習は現在、グラフカーネルによって主導されていますが、その強力さにもかかわらず、いくつかの重要な制限を抱えています。畳み込みニューラルネットワーク（CNNs）は魅力的な代替手段を提供しますが、グラフをCNNで処理することは容易ではありません。この課題に対応するために、最近多くの洗練されたCNNの拡張版が提案されています。本論文では、問題を逆から捉えました：新たなグラフCNNモデルを提案するのではなく、グラフを多チャンネルの画像のような構造として表現する新しい方法を導入します。これにより、従来の2D CNNでグラフを扱うことが可能になります。実験結果によると、当手法は6つの実世界データセット（連続的なノード属性あり・なし）のうち4つにおいて、最先端のグラフカーネルとグラフCNNよりも精度が高いことが示されました。また、他のデータセットでも同程度の性能を達成しています。当手法は時間計算量においてもグラフカーネルに優れています。コードとデータは公開されています。以上が翻訳となります。ご確認ください。