Cet article aborde théoriquement la relation entre les méthodes conventionnelles d'apprentissage superficiel par clusters et les réseaux neuronaux convolutifs de graphes (GCN) récemment apparus dans l'apprentissage semi-supervisé basé sur les graphes (GSSL) au sein d'un cadre d'optimisation unifié. Plus précisément, nous démontrons que, contrairement aux méthodes existantes, les GCN conventionnels peuvent ne pas prendre en compte à la fois la structure du graphe et les informations d'étiquette à chaque couche. Sur cette base, nous proposons trois nouvelles méthodes convolutives de graphes : OGC, une méthode d'apprentissage supervisé qui utilise les informations d'étiquette ; GGC, une méthode d'apprentissage non supervisé qui préserve la structure du graphe ; et sa version multi-échelle, GGCM. Nous démontrons leur efficacité par des expérimentations approfondies. Le code source est disponible en libre accès.
