本研究は、Weisfeiler-Lehman (WL) アルゴリズム、グラフラプラシアン、および拡散に基づくグラフニューラルネットワーク (GNNs) を超えて一般化しています。当方針は、Relational Pooling (RP) と表記され、有限部分交換可能性の理論から着想を得て、グラフに対する最大の表現力を提供するフレームワークを構築します。RP は既存のグラフ表現モデルと組み合わせることができ、やや反直感的にもWL同型テストよりも強力な表現力をこれらのモデルに与えることができます。さらに、RP は再帰型ニューラルネットワーク (Recurrent Neural Networks: RNNs) や畳み込みニューラルネットワーク (Convolutional Neural Networks: CNNs) のようなアーキテクチャを用いて、理論的に健全な方法でグラフ分類を行うことを可能にします。我々は数々のタスクにおいて、RPベースのグラフ表現が最先端の手法を上回る性能を示すことを実証しました。