近年、グラフニューラルネットワーク（GNN）技術がテキスト分類の分野で注目されており、複雑な構造の処理やグローバルな情報を保持する点で優れた性能を発揮するためである。しかし、従来のGNNに基づく手法は、コーパス全体に固定されたグラフ構造を用いるため、オンラインテストに対応できず、メモリ消費量も高いという実用上の課題に直面していた。この問題に対処するため、本研究では、コーパス全体に一つのグラフを構築するのではなく、各入力テキストごとにグローバルなパラメータ共有を用いたグラフを構築する新たなGNNベースのモデルを提案する。このアプローチにより、個々のテキストがコーパス全体に依存する負担を軽減し、オンラインテストを可能にするとともに、グローバルな情報を維持できる。さらに、テキスト内での窓サイズを大幅に小さくしてグラフを構築することで、より豊かな局所特徴を抽出しつつ、エッジ数とメモリ消費量を著しく削減する。実験の結果、本モデルは複数のテキスト分類データセットにおいて、従来のモデルを上回る性能を発揮しつつ、メモリ消費量も低減していることが確認された。