0. Abstract Graph Neural Networks (GNNs)는 그래프의 representation 학습에 있어서 효과적인 프레임워크다. 많은 gnn 변형 모델들이 고안되었으며 노드와 그래프 분류 문제에 있어서 뛰어난 성과를 보였다. 그러나 GNN의 혁명적인 성과에도 불구하고, GNN의 representational properties와 한계점에 대한 이해는 아직 부족하다. 이 논문에서는 그래프들의 서로 다른 구조를 파악해내는 gnn의 능력에 대한 이론적인 틀을 제안한다. GCN(Graph Convolution Network)이나 GraphSAGE와 같은 유명한 GNN의 변형 모델들의 뛰어난 능력을 설명하고, 이 모델들이 특정한 단순한 그래프 구조에 대해서는 구별을 하지 못하는 것을 보여준다. 그리고 더 나아가 새로운 단순한 모델 아키텍쳐를 제안한다. 새로운 모델은 Weisfeiler Lehman graph isomorphism test 만큼 강력하다. 1.