メッセージ・パッシング型グラフニューラルネットワーク（GNN）は局所的な関係を捉えることに優れていますが、グラフ内の長距離依存関係には苦戦します。一方、グラフトランスフォーマー（GT）は全局的な情報交換を可能にしますが、グラフ構造を固定長のベクトル集合として表現することで、しばしばその構造を単純化しすぎてしまいます。本研究では、両方のアプローチの欠点を克服するため、ランダムウォークの長距離情報を局所的なメッセージ・パッシングと組み合わせた新しいアーキテクチャを提案します。ランダムウォークをシーケンスとして扱うことで、当アーキテクチャは最近のシーケンスモデルの進歩を利用して、これらのウォーク内の長距離依存関係を効果的に捉えます。この概念に基づいて、我々は以下の3つの機能を持つフレームワークを提案します。(1) ランダムウォークシーケンスを通じてより表現力豊かなグラフ表現、(2) 長距離依存関係の捕捉に任意のシーケンスモデルを使用する能力、(3) 様々なGNNおよびGTアーキテクチャとの統合による柔軟性。実験評価では、当アプローチが19つのグラフおよびノードベンチマークデータセットで大幅な性能向上を達成しており、特にPascalVoc-SPおよびCOCO-SPデータセットにおいて既存手法に対して最大13%の性能向上を示しています。コードはhttps://github.com/BorgwardtLab/NeuralWalker で公開されています。