私たちは、非ユークリッド領域上の移動不変関係を学習するための新しいベイジアンノンパラメトリック手法を提案します。得られたグラフ畳み込みガウス過程は、入力観測値が一般のグラフ上の関数である機械学習の問題に適用することができます。これらのモデルの構造は、畳み込みニューラルネットワークと同様に、高次元の入力を扱いつつ表現力を維持することを可能にします。私たちは、グラフ畳み込みガウス過程を画像および三角メッシュに応用し、その多様性と効果性を示しています。既存の手法と比較しても優れた結果を得ていますが、比較的単純なモデルであることを強調します。