グラフ上の半教師あり学習に関する問題について研究する。近年、グラフニューラルネットワーク（GNN）が広く検討されてきたが、ラベル付きノードが少ない状況では、既存の大多数のGNNは過剰なスムージング、ロバスト性の欠如、一般化性能の低さといった根本的な課題を抱えている。本論文では、これらの問題に対処するシンプルでありながら効果的なフレームワーク「GRAPH RANDOM NEURAL NETWORKS（GRAND）」を提案する。GRANDでは、まずグラフデータ拡張を実現するためのランダム伝播戦略を設計し、次に、異なるデータ拡張に対する未ラベルノードの予測の一貫性を高めるために一貫性正則化を活用する。グラフベンチマークデータセットにおける広範な実験結果から、GRANDが、半教師ありノード分類において最先端のGNNベースラインを顕著に上回ることが示された。さらに、GRANDが過剰スムージングおよびロバスト性の欠如を緩和し、既存のGNNよりも優れた一般化性能を示すことを確認した。GRANDのソースコードは、https://github.com/Grand20/grand にて公開されている。