본 논문은 그래프 구조 데이터 모델링에서 그래프 신경망(GNN)의 성공에도 불구하고, 원거리 노드 간 정보 혼합이 필요한 작업에서 과도한 정보 압축(over-squashing) 문제에 취약하다는 점을 지적합니다. 기존 연구는 정보 흐름 개선을 위해 그래프 구조를 재구성하거나, 병목 현상이 없는 그래프 구조를 발견하고 사전 계산하는 데 집중해 왔습니다. 본 논문은 확장 그래프(expander graph) 중 하나인 $\mathrm{SL}(2,\mathbb{Z}_n)$ 특수 선형 그룹의 케일리 그래프를 GNN의 계산 템플릿으로 사용하는 기존의 확장 그래프 전파(EGP) 방식의 한계를 지적합니다. EGP는 입력 그래프에 맞춰 계산 그래프를 잘라내는데, 이 과정이 확장 특성에 해롭다는 것을 밝힙니다. 따라서 본 논문은 완전한 케일리 그래프 구조를 통해 정보를 전파하는 CGP(Complete Cayley Graph Propagation) 방법을 제안하여 병목 현상을 완화하고 과도한 정보 압축 문제를 해결합니다. 실험 결과, CGP는 EGP보다 성능이 크게 향상되었으며, 계산적으로 복잡한 그래프 재구성 기법과 유사하거나 능가하는 성능을 보였습니다.
