GNN（グラフニューラルネットワーク）は、グラフ構造データの表現学習を目的としたニューラルネットワークであり、その大部分はグラフ畳み込み層を積層することで構築される。n層の層を積層することは、nホップ先の隣接ノード情報の伝搬に相当するため、大規模なグラフを学習するには十分な層数が必要となる。しかし、このように層数を増やすと「過剰平滑化（over-smoothing）」と呼ばれる問題によりモデル性能が低下しやすい。本研究では、GCN（グラフ畳み込みネットワーク）を用いたゲーティング構造を備えた前向き型ニューラルネットワークを積層する新しいGNNモデルを提案し、過剰平滑化問題の解決を目指した。実験結果から、従来手法では4～8層で過剰平滑化が生じるのに対し、本手法は20層まで単調に予測精度を向上させ、過剰平滑化を引き起こさないことが確認された。大規模グラフに対する2つの実験、すなわち誘導的ノード分類のベンチマークとして広く用いられるPPIデータセット、および有限要素法における代理モデル（surrogate model）への応用において、本手法は比較対象の既存手法の中で最高の精度を達成した。特にPPIデータセットでは、99.71%という最先端の精度を記録した。