Graph Convolutional Networks (gcn'ler) ve varyantları önemli bir ilgi görmüş ve grafik gösterimlerini öğrenmek için fiili yöntemler haline gelmiştir. GCN'ler, temel olarak son zamanlardaki derin öğrenme yaklaşımlarından ilham almaktadır ve bunun sonucunda gereksiz karmaşıklık ve gereksiz hesaplamayı miras alabilir. Bu yazıda, birbirini takip eden katmanlar arasındaki doğrusal olmayanları ardırarak ve ağırlık matrislerini çökerterek bu aşırı karmaşıklığı azaltıyoruz. Elde edilen lineer modeli teorik olarak analiz ediyoruz ve sabit bir düşük-geçişli filtreye karşılık geldiğini ve ardından bir lineer sınıflandırıcıyı gösterdiğini gösteriyoruz. Özellikle, deneysel değerlendirmemiz, bu sadeleştirmelerin pek çok sonraki uygulamalarda doğruluğu olumsuz yönde etkilemediğini göstermektedir. Dahası, sonuçta ortaya çıkan model daha büyük veri kümelerine ölçeklenir, doğal olarak yorumlanabilir ve fastgcn'ye göre iki kat daha fazla hız artışı sağlar.