我们提出GraphMix，一种用于图神经网络（Graph Neural Network）的半监督目标分类的正则化方法。该方法通过参数共享与基于插值的正则化策略，将全连接网络与图神经网络联合训练。此外，我们对GraphMix如何提升底层图神经网络泛化边界进行了理论分析，且该分析不依赖于对“聚合”层结构或图神经网络深度的任何假设。通过在多种架构上的实验验证，我们进一步证实了该理论分析的有效性，包括图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）以及Graph-U-Net等模型。尽管方法本身简洁，但实验结果表明，GraphMix在三个经典图基准数据集（Cora、Citeseer和Pubmed引文网络数据集）以及三个新提出的基准数据集（Cora-Full、Co-author-CS和Co-author-Physics）上，均能持续提升性能，或达到与当前最先进方法相当的水平，即使在使用如图卷积网络等更简单架构的情况下亦然。