グラフニューラルネットワーク（GNN）は、グラフ構造データにおけるさまざまな予測タスクに対して有効なモデルとして示されてきた。近年の表現力に関する研究は、同型性の判定タスクおよび可算な特徴空間に焦点を当てていた。本研究では、現実世界の入力領域やGNNの隠れ層内でも頻繁に現れる連続的特徴を理論枠組みに含める拡張を行い、この文脈において複数の集約関数の必要性を実証した。これに基づき、度数スケーラー（和集約の一般化）と複数の集約関数を組み合わせた新しいアーキテクチャである「主近傍集約（Principal Neighbourhood Aggregation: PNA）」を提案する。さらに、古典的グラフ理論から取り入れた複数のタスクを含む新規ベンチマークを用いて、さまざまなモデルのグラフ構造の捉え方および活用能力を比較した。また、実世界のドメインから既存のベンチマークも併用し、これらすべてが本モデルの優れた性能を示している。本研究を通じて、強力かつ堅牢なモデルの開発を目指す上で、新たな集約手法の重要性を強調し、GNN研究の方向性をそのような手法への注目へと誘導することを期待している。