グラフニューラルネットワーク（GNN）は、属性付きグラフ上での学習において大きな力を発揮している。しかし、GNNはソースノードから遠く離れた情報を有効に活用するという課題を抱えている。さらに、一般的なGNNはグラフの属性を入力として必要とするため、単純なグラフ（属性なし）には適用できない。本論文では、上記の制約を克服するため、G-GNN（GNNのためのグローバル情報）と呼ばれる新しいモデルを提案する。まず、ノードごとにグローバル構造および属性特徴を教師なし事前学習によって取得し、各ノードに関連するグローバル情報を保持する。次に、得られたグローバル特徴と元のネットワーク属性を用いて、これらの特徴から異なる側面を学習するための並列フレームワークを提案する。提案する学習手法は、単純なグラフおよび属性付きグラフの両方に適用可能である。広範な実験の結果、G-GNNは3つの標準評価グラフにおいて、他の最先端モデルを上回る性能を示した。特に、属性付きグラフ上で学習する場合、Cora（84.31%）およびPubmed（80.95%）において、新たなベンチマーク記録を樹立した。