本文提出了图随机神经网络框架GRAND，通过随机传播策略增强图数据，优化未标记节点的预测一致性。实验结果表明，该方法在半监督节点分类中优于现有的图神经网络，缓解了过度平滑和非鲁棒性问题，展现了更好的泛化能力。

该文汇总多项机器学习研究：RVFL网络可近似Lipschitz函数；edRVFL及其加权剪枝版本在UCI分类上优于深度前馈网络；图嵌入与直觉模糊集用于解决分类不平衡；SVD training压缩神经网络；FD-SVRG实现高维分布式分类；随机傅里叶特征推广贝叶斯潜变量建模；Internet Learning提升垂直联邦学习鲁棒性；低秩优化框架增强正交性；异步拟牛顿框架AsySQN减少通信轮次。