최근 실용적 응용에 대한 요구에 힘입어 그래프 신경망(GNNs) 분야에서 가장 주목받는 연구 방향 중 하나는 더 깊은 구조 탐색이다. 예를 들어, 그래프의 연결성과 레이블 분포가 항상 일치하지는 않는다(예: 일부 노드의 가장 가까운 이웃이 같은 카테고리에 속하지 않을 수 있음). 이러한 경우, GNN은 클래스 구분 정보를 포착하기 위해 더 긴 경로를 통해 동일한 카테고리의 이웃을 탐색하기 위해 더 많은 층을 쌓아야 한다. 그러나 깊은 GNN이 만족스러운 성능을 달성하는 데에는 두 가지 주요 문제들이 걸림돌이 된다. 즉, 기울기 소실(Vanishing Gradient)과 과도한 스무딩(Over-smoothing)이다. 한편으로는, 층을 더 쌓을수록 신경망의 학습이 어려워지며, 특히 초기 층의 기울기가 소멸하는 현상이 발생한다. 또한 GNN에서 기울기 소실 문제를 단순히 해결하려는 시도 중에서, 우리는 ‘그림자 이웃 효과(Shading Neighbors Effect)’를 발견하였다. 이는 층을 부적절하게 쌓을 경우 그래프의 비독립동일분포(non-IID) 정보가 왜곡되어 GNN의 성능이 저하됨을 의미한다. 다른 한편으로는, 깊은 GNN은 공통 이웃으로부터 더 많은 정보를 집계하게 되어 각 노드의 표현이 더 많은 겹치는 특징을 공유하게 되며, 이로 인해 최종 출력 표현이 구분력이 떨어지게 된다(즉, 과도하게 스무딩됨). 본 논문에서는 처음으로 이러한 두 가지 문제를 동시에 해결함으로써 깊은 GNN의 가능성을 열었으며, 가중치 감쇠 그래프 잔차 연결 모듈(WDG-ResNet)과 위상 구조 유도 그래프 대조 손실(TGCL)로 구성된 Deeper-GXX를 제안한다. 실제 데이터셋을 대상으로 수행한 광범위한 실험 결과, Deeper-GXX가 최신의 깊은 기준 모델들을 모두 능가함을 입증하였다.