ニューラルネットワークは通常、テンソル形式のデータを扱うように設計されている。本論文では、任意の構造を持つグラフを受け入れる新しいニューラルネットワークアーキテクチャを提案する。グラフ $G$G とそのラベル $y$y のペアで表されるデータセット $(G, y)$(G,y) が与えられたとき、我々の目的はグラフを直接読み込み、分類関数を学習するニューラルネットワークの開発である。この課題には2つの主要な課題が存在する。第一に、グラフに埋め込まれた豊富な情報を分類に有用な特徴として抽出する方法であり、第二に、意味的かつ一貫性のある順序でグラフを逐次読み取る方法である。第一の課題に対処するため、局所的なグラフ畳み込みモデルを設計し、そのモデルが2つのグラフカーネルと関連していることを示す。第二の課題に対しては、グラフの頂点を一貫した順序に並べ替える新しい「SortPooling」レイヤーを設計した。これにより、従来のニューラルネットワークがグラフデータ上で学習可能となる。ベンチマークとなるグラフ分類データセットにおける実験結果から、提案するアーキテクチャが、最先端のグラフカーネルおよび他のグラフニューラルネットワーク手法と比較して、非常に競争力のある性能を達成することが示された。さらに、本アーキテクチャは、グラフを事前にベクトルに変換する必要なく、元のグラフをそのまま用いてエンドツーエンドの勾配ベースの学習が可能であるという利点を持つ。