Le réseau de convolution graphique (GCN) fournit un moyen puissant pour les tâches semi-supervisées basées sur des graphes. Cependant, en tant qu'approximation locale du premier ordre de la convolution spectrale de graphe, le GCN classique ne peut pas pleinement tirer parti des données non étiquetées, en particulier lorsque les nœuds non étiquetés sont éloignés des nœuds étiquetés. Pour exploiter l'information provenant des nœuds non étiquetés afin d'améliorer l'entraînement du GCN, nous proposons un nouveau cadre nommé Self-Ensembling GCN (SEGCN), qui combine le GCN avec Mean Teacher - un autre modèle puissant dans l'apprentissage semi-supervisé. SEGCN comprend un modèle élève et un modèle enseignant. En tant qu'élève, il apprend non seulement à classifier correctement les nœuds étiquetés, mais essaie également d'être cohérent avec l'enseignant sur les nœuds non étiquetés dans des situations plus difficiles, telles qu'un taux élevé de décrochage (dropout) et une dégradation du graphe. En tant qu'enseignant, il moyenne les poids du modèle élève et génère des prédictions plus précises pour guider l'élève. Dans ce processus mutuellement bénéfique, les échantillons étiquetés et non étiquetés peuvent être pleinement utilisés pour rétropropager des gradients efficaces et entraîner le GCN. Nous avons validé que la méthode proposée atteint l'état de l'art en termes de précision de classification dans trois tâches de classification d'articles, à savoir Citeseer, Cora et Pubmed.