본 논문은 그래프 신경망(GNN)이 그래프 구조 데이터를 처리하는 딥러닝의 두 가지 주요 과제, 즉 가변 크기 입력 그래프 처리 및 그래프 동형성에 대한 불변성을 어떻게 해결하는지 설명합니다. 또한 GNN의 표현력을 이해하는 데 중점을 두고, GNN 아키텍처가 일차 논리(FO)의 주요 조각, 특히 다양한 모달 논리 및 더 표현력이 풍부한 두 변수 조각에 정확히 해당한다는 것을 제안합니다. 이러한 결과를 위해, 유한 모델 이론의 방법론을 그래프 표현 학습에 적용하여 GNN의 논리적 표현력을 FO 내에서 통일적으로 이해하는 프레임워크를 제공합니다.
