Mixupは、ニューラルネットワークに基づく画像分類器の学習に用いられる高度なデータ拡張手法であり、2つの画像の特徴量とラベルを内挿することで合成サンプルを生成する。しかし、グラフデータの不規則性および接続構造の複雑さのため、グラフ学習におけるMixup手法の設計は困難である。本研究では、グラフ学習における2つの基本的なタスク、すなわちノード分類およびグラフ分類に対応したMixup手法を提案する。不規則なグラフトポロジーを内挿するため、対となるノードの受容野部分グラフ（receptive field subgraphs）を2本の分岐型グラフ畳み込みによって混合する手法を提案する。異なるノードペア間でのMixupは、ノード間の接続性によって混合された特徴量同士が相互に干渉する可能性がある。この干渉を防止するため、Mixup前の各ノードの隣接ノードの表現を用いてグラフ畳み込みを行う2段階Mixupフレームワークを提案する。グラフ分類タスクにおいては、意味空間内で複雑で多様なグラフを内挿する。定性的には、本手法によりGNNはより判別力の高い特徴量を学習し、過学習を抑制することが可能となる。定量的な評価では、標準データセットにおいてノード分類およびグラフ分類の両タスクで、テスト精度およびF1-microスコアにおいて一貫した向上が確認された。総合的に、本手法は時間計算量を増加させることなく、代表的なグラフニューラルネットワークの汎化性能を効果的に向上させる正則化手法として有効である。