图卷积网络(GCN)的原始设计将特征转换和邻域聚合结合起来用于节点表示学习。最近，一些研究表明耦合不如解耦，它更好地支持深度图传播，已成为GCN的最新范式(如APPNP[16]和SGCN[32])。尽管有效，解耦的GCN的工作机制并没有被很好地理解。

本文从标签传播的新视角出发，探讨了半监督节点分类的解耦GCN。解耦图神经网络（decoupled GCN）已经成为图神经网络主流的设计范式，其将特征变换和邻居聚合分离开来，克服了原始图神经网络的诸多问题，取得了更好的效果。我们从梯度的角度发现，解耦图卷积网络和两步的标签传播(Label Propagation, LP)是等价的：（1）根据图结构传播已知的标签，为有标签节点的邻居打上标签；（2）利用增强的伪标签数据训练一个正常的神经网络分类器。 基于理论分析，我们发现解耦图卷积网络的缺点：（1）对标签噪声敏感；（2）对初始值敏感。为此，我们提出自适应地传播再训练（PTA），通过两个设计解决了上述问题：（1）去除权重对标签的初始化；（2）引入自适应因子。