我们研究图上的半监督学习问题，该领域中图神经网络（GNNs）已得到广泛探索。然而，现有大多数GNNs在标注节点稀缺的情况下，普遍存在过平滑（over-smoothing）、鲁棒性差以及泛化能力弱等固有缺陷。本文提出一种简单而有效的框架——图随机神经网络（GRAPH RANDOM NEURAL NETWORKS, GRAND），以应对上述挑战。在GRAND中，我们首先设计了一种随机传播策略，用于实现图数据增强；随后，利用一致性正则化（consistency regularization）机制，促使未标注节点在不同数据增强版本下的预测结果保持一致。在多个图基准数据集上的大量实验表明，GRAND在半监督节点分类任务中显著优于当前最先进的GNN基线方法。此外，我们进一步验证了GRAND能够有效缓解过平滑与非鲁棒性问题，展现出优于现有GNNs的泛化性能。GRAND的源代码已公开，获取地址为：https://github.com/Grand20/grand。