我々は、グラフ構造データに対する新たなスペクトル畳み込みニューラルネットワーク（CNN）モデル、すなわち分散型フィードバックループネットワーク（DFNets）を提案する。本モデルは、頂点における局所化性能を向上させる一方で、高速な収束性と線形のメモリ要件を維持できる、強力なスペクトルグラフフィルタのクラスであるフィードバックループフィルタを組み込む。理論的に、フィードバックループフィルタは指定された誤差限界に対して収束を保証でき、グラフの構造を事前に知らなくても、任意のグラフに普遍的に適用可能である。さらに、本モデルの伝播ルールは、前層からの特徴を多様化することで、強力な勾配流れを生み出すことができる。本モデルの有効性は、引用ネットワークにおける半教師付きドキュメント分類および知識グラフにおける半教師付きエンティティ分類という2つのベンチマークタスクを用いて評価した。実験結果から、すべてのデータセットにおいて、本モデルは既存の最先端手法を顕著に上回ることが明らかになった。