グラフ構造を活用することで、グラフニューラルネットワーク（GNN）はグラフベースのデータセットに対して有用なモデルとして登場した。一般的にはGNNが基本的なニューラルネットワークを上回ると考えられているが、近年の研究では、特定のデータセットにおいてはニューラルネットワークの方がGNNを上回るケースも報告されている。GNNの性能低下の主な要因の一つとして、異質性（heterophily）が挙げられ、それに対応する多くのモデルが提案されている。さらに、グラフ構造に内在する情報の一部、たとえば辺の方向性（edge direction）がしばしば無視されがちである。本研究では、ノードの周囲の近傍（ホップ単位）における辺の方向性とラベル分布を活用するGNNDLDモデルを提案する。また、ニューラルネットワークの異なる層が異なる種類の情報を提供するため、すべての層からの特徴を組み合わせることで、ノードの低周波成分と高周波成分の両方を保持する。さらに、過度なスムージング（oversmoothing）を回避するため、ノード特徴の集約と変換の操作を分離する。これらの概念を統合することで、シンプルでありながら非常に効率的なモデルを構築した。6つの標準的な実世界データセットを用いた実験により、同質性（homophily）および異質性（heterophily）の両条件下で、GNNDLDが最先端モデルを上回る優れた性能を示した。