본 논문은 그래프 학습에서 중요한 하위 구조 패턴(예: 사회 네트워크의 삼각형 폐쇄, 분자 그래프의 벤젠 고리)을 명시적으로 포착하는 데 어려움을 겪는 기존 그래프 신경망(GNN)의 한계를 해결하기 위해, 메시지 전달을 거치지 않고 그래프 하위 구조로부터 직접 학습하는 새로운 프레임워크인 Neural Graph Pattern Machine (GPM)을 제안합니다. GPM은 작업과 관련된 그래프 패턴을 효율적으로 추출, 인코딩 및 우선 순위를 지정하여 표현력을 높이고 장거리 의존성을 더 잘 포착할 수 있습니다. 노드 분류, 링크 예측, 그래프 분류 및 그래프 회귀 등 네 가지 표준 작업에 대한 실험적 평가 결과, GPM은 최첨단 기준 모델보다 우수한 성능을 보였으며, 분포 외 일반화, 확장성 및 해석력이 향상되었음을 보여줍니다.