最近、ニューラルネットワークを基盤とする手法は、大規模で複雑なグラフ構造の問題を解く上で著しい進歩を遂げています。しかし、これらの手法のボトルネックはまだ解決されておらず、多スケール情報や深層アーキテクチャの利点が十分に活用されていません。本論文では、既存のグラフ畳み込みネットワーク（GCNs）が活性化関数とアーキテクチャの制約により表現力が限定されている理由を理論的に分析します。さらに、スペクトルグラフ畳み込みと深層GCNをブロッククリロフ部分空間形式に一般化し、2つの新しいアーキテクチャを提案します。これらはより深いスケールへの拡張が可能であり、それぞれ異なる方法で多スケール情報を活用しています。また、特定の条件下でこれらの2つのアーキテクチャが等価であることを示します。いくつかのノード分類タスクにおいて、検証の有無に関わらず、新規アーキテクチャは多くの最先端手法よりも優れた性能を達成しています。