グラフ表現学習は、ノード分類からコミュニティ検出に至るまで、多様なグラフ解析タスクにおいて極めて重要である。近年、グラフ畳み込みネットワーク（GCN）はグラフ表現学習に成功裏に適用されてきた。これらのGCNは、近傍からの特徴を集約することでノード表現を生成するという「近傍集約」スキームに従っている。様々なタスクにおいて有望な性能を達成しているものの、既存のGCNベースのモデルはグラフデータの複雑な非線形性を十分に捉えることが難しいという課題を抱えている。本研究では、まず理論的に現在のモデルにおける近傍相互作用項の係数が相対的に小さいことを証明し、これがGCNが線形モデルとほとんど差を生じない理由を説明する。その後、グラフデータの複雑な非線形性をより効果的に捉えるために、近傍集約に加えて近傍相互作用をモデル化する新しいGraphAIRフレームワークを提案する。公開データセットを用いたノード分類およびリンク予測を含むベンチマークタスクにおける包括的な実験により、提案手法の有効性が実証された。