グラフニューラルネットワーク（GNN）は、グラフ構造データからの学習において、さまざまな分野で優れた成果を上げています。本論文では、アンサンブル学習手法を活用してGNNの性能およびロバスト性を向上させる可能性について検討しています。異なる初期化やアーキテクチャを用いて複数のGNNモデルを学習し、それらを統合したアンサンブルモデル「ELGNN」を構築しました。このモデルは、データの多様な特徴を捉え、ツリー構造パルゼン推定器（Tree-Structured Parzen Estimator: TPE）アルゴリズムを用いて各モデルの重みを最適化します。複数モデルの予測値を組み合わせることで、全体の精度が向上し、バイアスと分散が低減され、ノイズの影響も軽減されます。本研究の結果は、アンサンブル学習が複雑なグラフ構造データの分析においてGNNの能力を強化する有効な手法であることを示しています。実装コードはGitHubで公開されています：https://github.com/wongzhenhao/ELGNN。