人気のあるグラフニューラルネットワークは、多項式スペクトルフィルターに基づいてグラフ上の畳み込み操作を実装しています。本論文では、多項式フィルターよりも柔軟な周波数応答を提供し、ノイズに対してより堅牢であり、全体的なグラフ構造をよりよく捉えることができる自己回帰移動平均（ARMA）フィルターに着想を得た新しいグラフ畳み込み層を提案します。我々は再帰的かつ分散型の表現を持つARMAフィルターのグラフニューラルネットワーク実装を提案し、効率的な学習が可能で、ノード空間において局所化され、テスト時に新しいグラフに転送できる畳み込み層を得ました。我々はスペクトル解析を行い、提案されたARMA層のフィルタリング効果を研究しました。さらに、半教師付きノード分類、グラフ信号分類、グラフ分類、およびグラフ回帰の4つの下流タスクについて実験を行いました。結果は、提案されたARMA層が多項式フィルターに基づくグラフニューラルネットワークに対して有意な改善をもたらすことを示しています。