본 논문은 관계형 데이터를 분석하기 위한 그래프 신경망(GNN)의 한계를 극복하기 위해 제안된 Neighborhood-Contextualized Message-Passing (NCMP) 프레임워크를 제시한다. 기존의 message-passing 방식이 인접 노드 간의 개별적인 특징만 고려하는 점을 개선하여, 전체 인접 노드 집합 내의 풍부한 컨텍스트 정보를 통합하고자 한다. 이를 위해, 먼저 어텐션 기반 GNN의 핵심 속성을 기반으로 neighborhood-contextualization 개념을 정립하고, 이를 바탕으로 NCMP 프레임워크를 일반화한다. NCMP를 구현하기 위한 효율적인 방법을 제시하고, Soft-Isomorphic Neighborhood-Contextualized Graph Convolution Network (SINC-GCN)을 개발하여 합성 데이터셋을 통해 성능을 검증한다.
