本論文では、異種グラフ神経ネットワーク（HGNN）におけるメモリ効率を向上させるため、新たなエコーレスラベルベースの前処理手法（Echoless-LP）を提案しています。既存のHGNNは、トレーニング時にメッセージパッシングを繰り返すため、大規模な実世界のグラフでは効率が悪くなります。Echoless-LPは、ノードのラベル情報が多段階のメッセージパッシングで逆流する「エコー効果」を排除しつつ、隣接ノードからのラベル情報を効率良く収集します。これは、対象ノードをパーティション分けし、各パーティション内のノードが他のパーティションの隣接ノードからのみラベル情報を集めることで実現されます。また、情報損失を補うためのアシンメトリックパーティショニングスキーム（APS）とポストアジャストメカニズムを導入し、パフォーマンスを向上させつつメモリ効率を維持することが確認されました。実験結果は、Echoless-LPが基準手法と比較して優れた性能を示すことを示しています。