異種グラフは複雑なデータをモデル化するために普遍的に使用されています。重要なアプリケーションを効果的にサポートする強力な異種グラフニューラルネットワークの需要が急務となっています。既存のメッセージ伝播プロセスにおいて、ノード$v$vの近傍ノードの表現が集約のためにノード$v$vの特徴空間に変換されることがありますが、これらの近傍ノードは異なるタイプであるため、異なるノードタイプの意味がノード$v$vの表現に絡み合う潜在的な意味混在問題があります。この問題に対処するため、われわれは各ノードタイプごとに独自の特徴空間で表現を維持するスロット別のメッセージ伝播プロセスを備えたSlotGATを提案します。さらに、スロットベースのメッセージ伝播層では、効果的なスロットごとのメッセージ集約を行うための注意メカニズムを設計しました。また、SlotGATの最終層後に異なるスロットの重要性を学習するためのスロット注意技術を開発しました。われわれの分析によれば、SlotGATにおけるスロットは様々な特徴空間で異なる意味を保つことができます。Node classification（ノード分類）とLink prediction（リンク予測）に関する6つのデータセット上で13つのベースラインと比較して評価した結果、SlotGATの優位性が確認されました。コードはhttps://github.com/scottjiao/SlotGAT_ICML23/ で公開しています。