本論文では、グラフ構造データを用いた回帰タスクにおけるグラフ畳み込みネットワーク（GCNs）の学習問題について研究しています。現在のGCNsのアーキテクチャは、畳み込みフィルターの小さな受容野と各ノードに対する共有変換行列に制限されています。これらの制約に対処するため、我々はセマンティックグラフ畳み込みネットワーク（SemGCN）という新しいニューラルネットワークアーキテクチャを提案します。SemGCNは、グラフに明示的に表現されていない局所的なノード間関係や全体的なノード間関係などのセマンティック情報を学習することを目指しています。これらのセマンティック関係は、追加の監督や手作りの規則なしで、教師データからエンドツーエンドで学習することができます。さらに、SemGCNを3次元ヒューマンポーズ回帰に適用することを検討しました。2次元および3次元のヒューマンポーズは、人間の骨格内のジョイント間の関係を符号化した構造化されたグラフとして表現できるため、我々の定式化は直感的かつ十分です。我々は包括的な研究を行い、方法の有効性を検証しました。結果は、SemGCNが90%少ないパラメータを使用しながらも最先端技術を上回ることを証明しています。