グラフ畳み込みネットワーク（GCNs）は、グラフ構造データに対する強力な深層学習手法です。最近、GCNsとその派生モデルは、実世界のデータセットにおいて様々な応用分野で優れた性能を示しています。しかし、{\em オーバースムージング}問題のため、現在のほとんどのGCNモデルは浅い構造となっています。本論文では、深層グラフ畳み込みネットワークの設計と分析に関する問題を研究します。私たちは、{\em 初期残差}（Initial residual）と{\em 恒等写像}（Identity mapping）という2つの単純ながら効果的な技術を導入した標準的なGCNモデルの拡張版であるGCNIIを提案します。理論的および経験的証拠から、これらの技術がオーバースムージング問題を効果的に緩和することを示しています。実験結果は、深層のGCNIIモデルが様々な半教師付きおよび完全教師付きタスクにおいて最先端の方法を上回ることを示しています。コードはhttps://github.com/chennnM/GCNII で公開されています。