라벨 전파(Label Propagation, LPA)와 그래프 컨볼루션 신경망(Graph Convolutional Neural Networks, GCN)은 모두 그래프 상에서 메시지 전달(message passing) 방식을 사용하는 알고리즘이다. 두 알고리즘 모두 노드 분류(task of node classification)를 수행하지만, LPA는 그래프의 간선을 통해 노드의 라벨 정보를 전파하는 반면, GCN은 노드의 특징 정보를 전파하고 변환한다. 그러나 개념적으로 유사함에도 불구하고, LPA와 GCN 사이의 이론적 관계는 아직 연구되지 않았다. 본 연구에서는 다음과 같은 두 가지 측면에서 LPA와 GCN 간의 관계를 탐구한다: (1) 특징/라벨 스무딩(feature/label smoothing) — 한 노드의 특징 또는 라벨이 이웃 노드로 어떻게 확산되는지를 분석하고, (2) 특징/라벨 영향력(feature/label influence) — 한 노드의 초기 특징 또는 라벨이 다른 노드의 최종 특징 또는 라벨에 얼마나 영향을 미치는지를 분석한다. 본 연구의 이론적 분석을 바탕으로, GCN과 LPA를 통합하는 엔드투엔드(end-to-end) 모델을 제안한다. 제안하는 통합 모델에서는 간선 가중치가 학습 가능한데, 이는 LPA가 GCN이 적절한 간선 가중치를 학습하도록 돕는 정규화(regularization) 역할을 한다. 또한 본 모델은 노드 라벨을 기반으로 어텐션 가중치를 학습하는 것으로 볼 수 있으며, 기존의 특징 기반 어텐션 모델보다 더 작업 지향적인 접근을 제공한다. 실제 그래프 데이터셋을 대상으로 수행한 다수의 실험에서, 본 모델은 기존 최고 성능을 보이는 GCN 기반 방법들에 비해 노드 분류 정확도에서 우수한 성능을 보였다.