本稿では、グラフニューラルネットワーク（GNN）の性能を向上させるための新規フレームワーク「Gradient Gating（G$^2$2）」を提案する。本フレームワークは、基盤となるグラフのノード間におけるメッセージ伝達情報の多レート伝達メカニズムを用いて、GNN層の出力をゲート制御するものである。さらに、局所的な勾配を活用してメッセージ伝達の更新をさらに調整する。本フレームワークは、任意の基本的なGNN層をラッパーとして用いることが可能であり、その上に多レート勾配ゲート制御機構を構築できる柔軟性を備えている。理論的にも、G$^2$2が過度なスムージング（oversmoothing）問題を緩和し、深層GNNの設計を可能にすることを厳密に証明した。実験結果により、本フレームワークが多様なグラフ学習タスク、特に大規模な異質性グラフ（heterophilic graphs）において、最先端の性能を達成することが示された。