本稿では、従来のGNNフレームワークの限界を克服することを目的とした新しいアプローチであるドロップアウトグラフニューラルネットワーク（DropGNN）について検討する。DropGNNでは、入力グラフに対して複数回のGNN実行を行い、各実行においてノードの一部をランダムかつ独立に削除する。その後、これらの実行結果を統合して最終的な出力を得る。本研究では、メッセージパッシングに基づくGNNでは区別できないさまざまなグラフ近傍構造をDropGNNが区別可能であることを理論的に証明する。また、ドロップアウトの分布が信頼できる状態となるために必要な実行回数について理論的な上限を導出するとともに、DropGNNの表現力および限界に関する複数の性質を証明する。理論的知見の有効性は、実験的に表現力に関する結果を検証することで確認した。さらに、既存のGNNベンチマークにおいてもDropGNNが競争力のある性能を示すことを示した。