El aprendizaje de representaciones de grafos es un desafío significativo en el procesamiento de señales de grafos (GSP). El próspero desarrollo de las redes neuronales de grafos (GNNs) proporciona representaciones efectivas para GSP. Para aprender de manera efectiva a partir de señales de grafos, proponemos una red neuronal de grafos regularizada basada en gradientes de orden fraccional aproximados (FGNN). La red neuronal de grafos regularizada propaga la información entre nodos vecinos. La estrategia de aproximación para calcular derivadas de orden fraccional evita caer en extremos de orden fraccional y supera la alta complejidad computacional de las derivadas de orden fraccional. Además, demostramos que dicha aproximación es factible y que FGNN no tiene sesgo hacia la solución de optimización global. Experimentos extensos en redes de citas y comunidades muestran que el FGNN propuesto tiene una mayor precisión de reconocimiento y velocidad de convergencia que el FGNN estándar. Los cinco conjuntos de datos de diferentes tamaños y dominios confirman la gran escalabilidad de nuestro método propuesto.