GCN模型无法像视觉任务中的CNN模型一样堆叠很深，一旦使用多层GCN开始学习，相关的任务效果就会急速下降。
使用多层GCN后，节点的区分性变得越来越差，节点的表示向量趋于一致，这使得相应的学习任务变得更加困难。我们将这个现象成为多层GCN的过平滑问题。
如果从空域视角理解过平滑问题：
从空域来看，GCN的本质是在聚合邻居信息，对于图中的任意结点而言，结点的特征每更新一次，就聚合了更高一阶邻居节点的信息。对于图中任意节点而言，节点的特征每更新一次，就多聚合了更高一阶结点的信息。如果我们把最高邻居结点的阶数称为该节点的聚合半径，我们可以发现，随着GCN层数的增加，节点的聚合半径也在增长，一旦达到某个阈值，该节点覆盖的节点几乎与全图节点一致。同时，如果层数足够多，每个节点能覆盖到的结点会收敛到全图节点，这与哪个节点是无关的。这种情况的出现，会大大降低每个节点的局部网络结构的多样性，对于结点自身特征学习十分不利。