본 논문은 다양한 실제 문제 해결에 효과적인 서브그래프 표현 학습에 초점을 맞춘다. 기존 그래프 신경망(GNN)이 서브그래프 내/외부 복잡한 상호 작용을 포착하는 데 어려움을 겪어 서브그래프 수준 작업에서 최적의 결과를 내지 못하는 문제를 해결하기 위해, 유도된 k-홉(k-hop) 이웃에 WL(Weisfeiler-Lehman) 알고리즘을 적용하여 서브그래프에 일반화된 WL 커널인 WLKS를 제안한다. 서로 다른 k-홉 레벨의 커널을 결합하여 기존 모델에서 완전히 인코딩되지 않은 풍부한 구조적 정보를 캡처한다. 이 접근 방식은 이웃 샘플링의 필요성을 제거하여 표현력과 효율성의 균형을 맞춘다. 8개의 실제 및 합성 벤치마크 실험에서 WLKS는 5개 데이터 세트에서 선도적인 접근 방식을 크게 능가하며, 훈련 시간을 최고 성능 모델 대비 0.01배에서 0.25배로 줄였다.
