图卷积网络（GCNs）及其变体近年来受到了广泛关注，并已成为学习图表示的主流方法。GCNs主要受到近期深度学习方法的启发，因此可能继承了不必要的复杂性和冗余计算。在本文中，我们通过依次移除非线性层和合并连续层之间的权重矩阵来减少这种过度复杂性。我们对所得的线性模型进行了理论分析，表明其相当于一个固定的低通滤波器后接一个线性分类器。值得注意的是，我们的实验评估证明，这些简化措施在许多下游应用中并未对准确性产生负面影响。此外，所得模型可以扩展到更大的数据集，具有天然的可解释性，并且比FastGCN的速度提高了多达两个数量级。