グラフベースの半教師付き学習（GSSL）は長年にわたり注目される研究テーマである。従来の手法は一般的にクラスタ仮説に基づく浅層学習モデルであった。近年では、優れた性能を示すことでグラフ畳み込みネットワーク（GCN）が主流の手法として広く用いられるようになった。本論文では、これらの二つのアプローチの関係を統一的な最適化枠組みの下で理論的に考察する。得られた最も興味深い知見の一つは、従来の手法とは異なり、典型的なGCNは各層においてグラフ構造とラベル情報の両方を一貫して考慮しない可能性があることである。この洞察を受けて、我々はシンプルながら強力なグラフ畳み込み手法を3つ提案する。第一はラベル情報を用いて畳み込みプロセスをガイドする教師あり手法OGCである。第二と第三は教師なし手法として、GGCとそのマルチスケール版GGCMであり、いずれも畳み込み過程においてグラフ構造情報を保持することを目的としている。最後に、広範な実験を通じて、提案手法の有効性を検証した。