グラフ畳み込みネットワーク（GCNs）は、グラフ構造データにおける半教師あり学習において著しい改善をもたらしています。一方、無教師学習のグラフ埋め込みは、ランダムウォークに含まれる情報から恩恵を受けていることが示されています。本論文では、これらの2つの研究領域を統合するモデルである「GCNのネットワーク（N-GCN）」を提案します。N-GCNの中心的な特徴は、異なる距離で発見されたノードペアに対して複数のGCNインスタンスを訓練し、それらのインスタンス出力を最適な分類目的関数に合わせて組み合わせることです。我々の実験結果は、提案したN-GCNモデルがCora、Citeseer、Pubmed、PPIという難易度の高いノード分類タスクにおいて既存の最先端手法を全て上回ることを示しています。さらに、提案手法には他の望ましい特性も含まれており、GraphSAGEなどの最近提案された半教師あり学習手法への汎化性や対抗的入力変動に対する耐性などがあります。