グラフニューラルネットワーク（GNN）は、グラフの表現学習において効果的なフレームワークです。GNNは近傍集約スキームに従い、ノードの表現ベクトルをその近傍ノードの表現ベクトルを再帰的に集約し、変換することによって計算します。多くのGNNのバリエーションが提案され、ノード分類およびグラフ分類タスクにおいて最先端の結果を達成しています。しかし、GNNがグラフ表現学習を革命化したにもかかわらず、その表現特性や限界についての理解は限定的です。本稿では、異なるグラフ構造を捉えるためのGNNの表現力に関する理論的枠組みを提示します。我々の結果は、Graph Convolutional Networks（GCN）やGraphSAGEなどの人気のあるGNNバリエーションの識別能力を特徴付け、それらが特定の単純なグラフ構造を区別することができないことを示しています。さらに、証明上最も表現力豊かなGNNクラスの中からシンプルなアーキテクチャを開発し、それがWeisfeiler-Lehmanグラフィズモ射影テストと同等の強力さを持つことを示しました。我々は数々のグラフ分類ベンチマークで理論的知見を実証的に検証し、モデルが最先端の性能を達成することを示しました。