スペクトラルグラフ畳み込みネットワーク（GCNs）は、グラフ構造データ上の学習に向けた畳み込みネットワークの一般化です。スペクトラルGCNの応用は成功していますが、形状対応やノード分類などの固定されたグラフを持つ問題に限られています。本研究では、この制約を克服するために、特定のスペクトラルグラフネットワークの家族であるチェビシェフGCNに焦点を当て、変動するグラフ構造とサイズを持つグラフ分類タスクでの有効性を示します。チェビシェフGCNは、任意のノードペア間に最大で1つのエッジしか存在しないという制約を持ちます。これを達成するために、マルチリレーショナルグラフから学習する新しいマルチグラフネットワークを提案します。我々は抽象的な意味を持つ学習済みエッジをモデル化し、注釈付きエッジと学習済みエッジから抽出された表現を融合する異なる方法を実験することで、様々な化学分類ベンチマークにおいて競争力のある結果を得ています。