그래프 컨볼루션 네트워크(GCNs)는 그래프 표현 학습에 있어 중요한 주목을 받으며, 유망한 방법으로 부상하고 있다. 그러나 대부분의 GCN 모델은 모델의 깊이가 증가함에 따라 성능 저하를 겪는 문제가 있다. 이는 컨볼루션 신경망(CNNs)과 유사한 현상으로, 특별히 설계된 아키텍처 없이 깊은 네트워크를 구축할 경우 성능이 급격히 저하된다. 일부 연구자들은 노드의 이웃 크기와 신경망의 깊이가 그래프 표현 학습에서 서로 완전히 독립적인 두 가지 측면이라고 주장한다. 이에 따라, 몇몇 방법들은 깊이가 얕은 신경망을 사용하면서도 k-스텝 이웃을 통합함으로써 이웃 영역을 확장하는 방식을 제안하였다. 그러나 이러한 접근법은 여전히 과도한 스무딩(oversmoothing), 높은 계산 및 저장 비용 등의 문제를 겪는다. 본 논문에서는 마르코프 확산 커널(Markov diffusion kernel)을 활용하여, 스펙트럴 모델과 밀접한 관련을 가지며 공간적 및 스펙트럴 방법의 장점을 결합한 GCN의 변형인 단순 스펙트럴 그래프 컨볼루션(S^2GC)을 제안한다. 우리의 스펙트럴 분석 결과, S^2GC에서 사용하는 단순 스펙트럴 그래프 컨볼루션은 저역통과 필터(low-pass filter)로서 네트워크를 몇 개의 큰 부분으로 분할하는 특성을 지닌다. 실험 평가를 통해 S^2GC가 선형 학습기(linear learner)와 함께 텍스트 분류 및 노드 분류 과제에서 경쟁력 있는 성능을 보임을 확인하였다. 더불어, 노드 클러스터링 및 커뮤니티 예측 과제에서도 다른 최신 기법들과 비교해 유사한 성능을 나타내었다.