グラフニューラルネットワーク（GNN）は、グラフ上の表現学習に広く使用され、ノード分類やリンク予測などのタスクで最先端の性能を達成しています。しかし、既存の大多数のGNNは固定された均質なグラフ上のノード表現を学習するために設計されています。特に、不適切に定義されたグラフや様々な種類のノードとエッジからなる異種混合グラフ上で表現を学習する際には、これらの制限が問題となります。本論文では、新しいグラフ構造を生成し、元のグラフ上での接続されていないノード間の有用な接続を特定しながら、新しいグラフ上で効果的なノード表現をエンドツーエンドで学習できるGraph Transformer Networks (GTNs) を提案します。GTNs の核心層であるGraph Transformer 層は、有用な多段接続（メタパス）を生成するためにエッジタイプと複合関係のソフト選択を学習します。我々の実験結果は、GTNs がデータとタスクに基づいてドメイン知識なしで新しいグラフ構造を学習し、新しいグラフ上の畳み込みを通じて強力なノード表現を得られることを示しています。ドメイン固有のグラフ前処理なしで、GTNs はドメイン知識から事前に定義されたメタパスが必要となる最先端手法に対して、3つのベンチマークノード分類タスク全てにおいて最良の性能を達成しました。