Nous étudions le problème de l'apprentissage semi-supervisé sur les graphes, pour lequel les réseaux de neurones sur graphes (GNN) ont été largement explorés. Toutefois, la plupart des GNN existants souffrent intrinsèquement de limitations telles que le sur-lissage, la faible robustesse et une généralisation médiocre lorsque le nombre de nœuds étiquetés est faible. Dans cet article, nous proposons un cadre simple mais efficace — les GRAPH RANDOM NEURAL NETWORKS (GRAND) — afin de remédier à ces problèmes. Dans GRAND, nous concevons d'abord une stratégie aléatoire de propagation pour réaliser une augmentation des données graphes. Ensuite, nous exploitons la régularisation par cohérence afin d’optimiser la cohérence des prédictions des nœuds non étiquetés entre différentes augmentations de données. Des expériences étendues sur des jeux de données standard de graphes montrent que GRAND surpasse significativement les meilleures méthodes GNN de l’état de l’art en classification de nœuds en apprentissage semi-supervisé. Enfin, nous démontrons que GRAND atténue les problèmes de sur-lissage et de faible robustesse, présentant ainsi un comportement de généralisation supérieur à celui des GNN existants. Le code source de GRAND est disponible publiquement à l’adresse suivante : https://github.com/Grand20/grand.