既存の半教師あり学習におけるグラフニューラルネットワーク（Graph Neural Networks、例えばグラフ畳み込みネットワーク（Graph Convolutional Network））の一般的な近傍ミキシング関係を学習する能力には限界があります。この弱点に対処するために、当研究では新しいモデルであるMixHopを提案します。MixHopは、異なる距離にある近傍の特徴表現を反復してミキシングすることで、差分演算子を含むこれらの関係を学習することができます。また、MixHopは追加のメモリや計算量を必要とせず、挑戦的な基準モデルに対して優れた性能を発揮します。さらに、スパーシティ正則化手法を提案し、これにより異なるグラフデータセットにおいてネットワークがどのように近傍情報を優先するか可視化することが可能となります。我々が学習したアーキテクチャの分析結果から、近傍ミキシングはデータセットによって異なることが明らかになりました。