一句话概括该论文：
这篇论文提出了利用一阶近似的切比雪夫多项式来替代之前的k阶切比雪夫多项式，解决了原本ChebNet中参数过多的问题，进一步优化了卷积核的选择，论文得出的结论是：本文所做的改进是有效的。

前言：
前面已经说到了，ChebNet的卷积核参数共享机制是同阶共享同一个参数，不同阶参数不共享。这样的共享方式的物理意义是：因为graph通常本身是具有局部平稳性的，也就是随着邻居阶数的增加，顶点间的相关性递减（距离近的领域内相关性强）。那么通过上述共享方式，我们可以比较完美的获得这个结果。

研究背景：
图的结构在我们的日常生活中很多，充分利用图的结构信息对于我们处理下游任务非常重要。对于只含有一小部分标签的图节点来说，能否充分利用这些已知信息来预测大部分节点的标签已经成为很多学者研究的内容，这个问题也即是基于图的半监督学习。周等人在处理该问题时借助于图的正则化形式将标签信息与图结构数据平滑的结合，其具体操作是在代价函数中加入图形化的拉普拉斯正则化，如下图：


这种处理方式的一个基本假设是：相连的节点可能共享相同的标签。这也成为了限制模型能力的一个假设，因为图中的边不仅仅可以编码节点的相似度，它往往还包含其它重要的信息。（