近年の急速な進歩にもかかわらず、最近の研究では現代のグラフニューラルネットワークが非常に単純なタスク、例えば小さなサイクルの検出において失敗することが示されています。これは、現在のネットワークが局所構造に関する情報を捉えられていないことを示唆しており、化学などの分野で下流タスクがグラフ部分構造解析に大きく依存する場合、問題となります。私たちは、標準的なGIN畳み込み（GIN convolution）に対して非常に単純な修正を提案します。この修正により、計算時間やパラメータ数にほとんどコストをかけずに小さなサイクルを検出できるようになります。実際の分子特性データセットでのテスト結果によると、私たちのモデルは大規模な多タスクデータセットにおいてすべてのベースラインよりも一貫して性能を向上させています。全体的にも個々のタスク設定でも同様です。