최근, 준지도학습은 실제 데이터 세트의 희소성으로 인해 상당한 관심을 얻고 있다. 훈련 중에 라벨이 지정된 노드가 부족한 그래프 데이터에서 데이터 희소성은 일반적인 문제이다. 본 논문에서는 양성-비라벨 (PU) 학습 방법을 그래프 신경망에 적용하여, 라벨이 지정되지 않은 많은 양의 노드를 학습에 활용하는 이진 노드 분류를 다룬다. 특히, 양성-비라벨 학습 방법은 양성 노드와 라벨이 없는 노드만을 사용해서 노드 간의 잠재적인 긍정적 및 부정적 상호 작용을 발굴하는 것을 목표로 한다. 본 논문은 믹스업 (Mixup) 기반의 그래프 신경망 (PUM-GNN) 이라는 새로운 프레임워크를 제안한다. 이 방법은 라벨링된 데이터가 적은 사례를 다루고, 믹스업 정규화를 사용하여 양성-비라벨 학습을 지도한다. 믹스업은 이미지 데이터 분류에서 유망한 연구이지만, 그래프 신경망 분야에서는 그래프의 불규칙성으로 인해 많이 연구되지 않았다. 우리는 임베딩 공간에서 믹스업을 사용하여 데이터를 증강시킬 뿐만 아니라 주변 의사 음성 인스턴스를 부분 긍정 라벨을 갖는 새로운 인스턴스로 변환하고, 라벨이 지정되지 않은 인스턴스 내의 부정확한 지도를 개선한다. 우리는 긍정 라벨 비율을 다양하게 조절하며 실험을 수행했고, 제안 모델이 과적합을 줄일 뿐만 아니라 희소 라벨에서 최첨단 방법을 능가한다는 것을 확인했다.