グラフ畳み込みネットワーク（GCNs）およびその変種は、著しい注目を集め、グラフ表現学習の事実上の標準的な手法となっています。GCNsは主に最近の深層学習アプローチから着想を得ており、その結果、不要な複雑さと冗長な計算を引き継ぐ可能性があります。本論文では、非線形性を逐次的に除去し、連続する層間の重み行列を圧縮することで、この過剰な複雑さを削減します。得られた線形モデルについて理論的に解析し、それが固定された低域フィルタに続いて線形分類器に対応することを示します。特に、我々の実験評価では、これらの簡素化が多くの下流アプリケーションにおいて精度に悪影響を与えないことを証明しています。さらに、得られたモデルはより大きなデータセットにもスケールしやすく、自然に解釈可能であり、FastGCNに対して最大で2桁速い処理速度を達成しています。