본 논문은 기존 그래프 상태 공간 모델(GSSMs)의 한계점인 순열 동변성, 메시지 전달 호환성, 계산 효율성 저하 문제를 해결하기 위해 메시지 전달 신경망(MPNN) 프레임워크에 현대 상태 공간 모델(SSMs)의 핵심 원리를 직접적으로 통합하는 새로운 방법론인 MP-SSM을 제시합니다. MP-SSM은 정적 및 시간적 그래프 모두에 효율적이고 순열 동변성을 갖는 장거리 정보 전파를 가능하게 하면서 메시지 전달의 단순한 구조를 유지합니다. 또한, 정확한 민감도 분석을 통해 정보 흐름을 이론적으로 특징짓고, 깊은 네트워크에서의 기울기 소실 및 과도한 압축과 같은 문제를 평가할 수 있습니다. 다양한 작업(노드 분류, 그래프 속성 예측, 장거리 벤치마크, 시공간 예측)에 대한 실험 결과를 통해 MP-SSM의 다양성과 강력한 실험적 성능을 보여줍니다.
