深層グラフモデルの設計は依然として研究が進んでおり、その重要な部分は異なるホップの近傍から知識を効率的に探索し、活用する方法です。本論文では、AdaBoostをネットワークの計算に組み込むことで、新たなRNN（再帰型ニューラルネットワーク）のような深層グラフニューラルネットワークアーキテクチャを提案します。提案されたグラフ畳み込みネットワーク（AdaBoosting Graph Convolutional Network: AdaGCN）は、現在のノードの高次近傍から効率的に知識を抽出し、異なるホップの近傍からの知識をAdaBoost方式でネットワークに統合する能力を持っています。他のグラフニューラルネットワークが多くのグラフ畳み込み層を直接積み重ねるのとは異なり、AdaGCNはすべての「層」で同じ基本的なニューラルネットワークアーキテクチャを共有し、再帰的に最適化されます。これはRNNと類似しています。さらに、我々は理論的にAdaGCNと既存のグラフ畳み込み手法との関連性を確立し、提案手法の利点を示しました。最後に、広範な実験により、異なるラベルレートにおいて一貫した最先端の予測性能を持つことが示されるとともに、当方針AdaGCNの計算上の優位性も確認されました。\footnote{コードは \url{https://github.com/datake/AdaGCN} で入手可能です。}