多くのグラフニューラルネットワーク（GNN）の改善は、基礎となるグラフ行列のスペクトラムに対する操作として捉えることができ、これにより直接スペクトラムの特性とそのGNN性能への影響を研究することが動機付けられています。既存のほとんどのGNNアーキテクチャを一般化することにより、$非平滑$非平滑（unsmooth）なスペクトラムによって引き起こされる相関問題が、より強力なグラフフィルタの利用や深層アーキテクチャの開発を阻害する要因となり、結果としてGNNの性能を制限していることが示されました。この洞察に触発され、我々は異なるチャンネル間の相関問題を自然に除去する相関フリー・アーキテクチャを提案します。これにより各チャンネル内でより複雑なフィルタを利用することが可能になります。最終的な相関フリー・アーキテクチャとより強力なフィルタは、一貫してグラフ表現学習の性能向上に寄与します。コードはhttps://github.com/qslim/gnn-spectrum で公開されています。