メッセージパッシングニューラルネットワーク（MPNN）は、ノード特徴量やグラフ構造を含むグラフ構造データの元情報に基づいて、その表現を学習する手法であり、ノード分類タスクにおいて顕著な性能向上を示している。しかしながら、MPNNの表現力は1次元ワイスフェイラー・レーマンテスト（Weisfeiler-Leman test）によって上限に制約されており、その精度向上の余地は依然として存在する。本研究では、理論的および実証的な観点から、グラフの元情報をより完全に活用することで、MPNNの表現力および汎化能力を向上させる手法を検討する。さらに、その知見を基に、ノード分類性能を向上させる新しいGNNモデル「INGNN（INformation-enhanced Graph Neural Network）」を提案する。合成データおよび実データを用いた広範な実験により、本研究で提案するINGNNが最先端手法と比較して優位性を示すことが確認された（平均順位1.78）。