複数の意図を含む発話を処理できるマルチインテントSLU（スロット認識と意図検出統合モデル）は、近年注目を集めている。しかし、最先端の統合モデルは多くの場合、自己回帰（autoregressive）アプローチに依存しており、推論速度の遅さと情報漏洩という二つの問題を引き起こしている。本論文では、複数の意図検出とスロット埋め込みを統合的に処理する非自己回帰型モデルを提案する。これにより、より高速かつ高精度な性能を実現した。具体的には、局所的なスロット意識型グラフ相互作用層と、グローバルな意図-スロットグラフ相互作用層を組み合わせた「グローバル-ローカルグラフ相互作用ネットワーク（GL-GIN）」を提案する。局所層はスロット間の依存関係をモデル化することで、不整合なスロット問題を緩和し、グローバル層は発話内の複数の意図と全スロットとの相互作用を捉える。2つの公開データセットにおける実験結果から、本フレームワークは最先端の性能を達成するとともに、推論速度が11.5倍高速化されたことが確認された。