그래프 신경망(GNNs)은 메시지 전달 과정에서 이웃 노드에 대한 재귀적 집계를 통해 그래프 구조 데이터를 처리하기 위해 설계된 인기 있는 딥러닝 모델이다. 반감독 학습 기반의 노드 분류에 적용될 때, 메시지 전달은 GNN이 근접한 공간적 상호작용을 이해하는 데 기여하지만, 동시에 과도한 평활화(over-smoothing)와 과도한 압축(over-squashing) 문제를 야기한다. 이러한 문제들은 모델의 표현력을 저하시키며, 그래프 내 장거리 노드 상호작용(LRIs)을 포착하기 위해 더 깊은 모델을 사용하는 것을 방해한다. 기존의 장거리 상호작용 탐지 방법들은 시간 복잡도가 높아 대규모 그래프 처리에 비용이 크거나, 다양한 그래프 구조 간에 일반화가 불가능한 한계를 지닌다. 이러한 문제를 해결하기 위해, 본 연구에서는 선형 계산 복잡도로 과도한 평활화와 압축 문제를 해결할 수 있는 새로운 메커니즘인 \emph{정보 흐름 제어(information flow control)}를 제안한다. 이 메커니즘은 새로운 연결성 측정 지표인 \emph{정보 흐름 점수(information flow score)}를 활용하며, 이론적 근거에 의해 뒷받침된다. 마지막으로, 제안된 방법론의 유효성을 입증하기 위해, 장거리 및 근거리 상호작용을 동시에 탐지할 수 있는 첫 번째 확장 가능하고 일반화 가능한 접근법인 DeltaGNN을 설계하였다. 본 모델은 크기, 위상 구조, 밀도, 동질성 비율이 다양한 10개의 실세계 데이터셋에서 평가되었으며, 계산 복잡도가 제한된 상태에서도 우수한 성능을 보였다. 제안된 방법의 구현 코드는 공개되어 있으며, https://github.com/basiralab/DeltaGNN 에서 확인할 수 있다.