グラフ表現学習は、コンピュータグラフィックスや化学、高エネルギー物理学、ソーシャルメディアに至るまで、広範な分野に応用されてきている。グラフニューラルネットワークの普及により、学術界および産業界の両方で、フェイスブックやツイッターのような大規模なグラフ（例：ソーシャルネットワーク）にスケーラブルな手法の開発に注目が集まっている。これらの多くは、学習時にノードの近傍ノードや部分グラフのサブセットをサンプリングする戦略を用いて、計算コストを軽減している。本論文では、グラフサンプリングの必要性を回避する新たな効率的かつスケーラブルなグラフディープラーニングアーキテクチャを提案する。このアーキテクチャは、異なるサイズのグラフ畳み込みフィルタを用いることで、事前計算が効率的に行えるように設計されており、極めて高速な学習および推論が可能となる。また、タスクに応じて最適な局所グラフ演算子（例：モチーフ誘導型隣接行列、パーソナライズド・ページランク拡散行列など）を柔軟に組み合わせることが可能である。我々は、さまざまな公開ベンチマーク上で広範な実験評価を行い、他の最先端アーキテクチャと同等以上の性能を達成しつつ、学習および推論時間は著しく短縮できることを示した。さらに、1億1000万ノード、15億エッジを有する最大規模の公開グラフデータセットである ogbn-papers100M において、最先端の結果を達成した。