マルチホップ読解は、システムが複数の証拠を適切に統合して質問に正しく答える必要がある事実質問の一種に焦点を当てています。従来の研究では、全体的な証拠を局所的な共参照情報で近似し、ゲート付き注意リーダー内でDAG（有向非巡回グラフ）スタイルのGRU（ガトリー・レカレント・ユニット）層を使用して共参照チェーンを符号化していました。しかし、共参照は豊かな推論に必要な情報を提供する上で制限があります。本研究では、より複雑なグラフを形成することで全体的な証拠をよりよく接続する新しい方法を提案します。当該グラフでの証拠統合を行うために、最近の2つのグラフニューラルネットワークであるGCN（グラフ畳み込みネットワーク）とGRN（グラフレカレントネットワーク）について調査しました。2つの標準データセットでの実験結果から、より豊富な全体的な情報がより良い回答につながることが示されました。当研究の手法は、これらのデータセットにおいて既存のすべての結果よりも優れた性能を発揮しています。