多くのパターン認識アプリケーションは、グラフ構造データから学習する形で形成されることが可能です。これにはソーシャルネットワーク、タンパク質相互作用ネットワーク、World Wide Webデータ、知識グラフなどが含まれます。畳み込みニューラルネットワーク（CNN）はグリッド状の画像/動画理解タスクにおいて大きな進歩をもたらしましたが、その不規則性と複雑な幾何学的トポロジー（順序のない頂点、固定されていない隣接辺/頂点数）のために、これらの成功したネットワーク構造（Inception net, Residual net, Dense netなど）をグラフ上の畳み込みネットワークに変換する研究は非常に限られています。本論文では、異なる古典的なネットワーク構造をグラフCNNに変換することによる効果について包括的な分析を行います。特に基本的なグラフ認識問題における影響に焦点を当てます。まず、一般的なグラフCNN手法について概説し、特に不規則なグラフデータに対するスペクトルフィルタリング操作に注目します。次に、ResNet, Inception, DenseNetの基本的な構造をグラフCNNに導入し、これらのネットワーク構造をグラフ上で構築します。それぞれG_ResNet, G_Inception, G_DenseNetと名付けられます。特に、これらの古典的なネットワーク構造がどのように機能するかを解明することで、グラフCNNの性能向上に貢献することを目指しています。また、適切なグラフネットワークフレームワークを選択するためのガイドラインを提供します。最後に、いくつかの公開されたグラフデータセット（ソーシャルネットワークや生物情報学データセットなど）に対してこれらの異なるネットワーク構造の性能を包括的に評価し、基本的なグラフ認識タスクにおける各ネットワーク構造の動作を示します。