本論文では、グラフ構造データのための強力なアーキテクチャであるグラフトランスフォーマー（GT）の限界を克服するために、新しい手法DARTS-GTを提案します。従来のGTは、全層で固定されたGNNタイプに依存し、深さ特有のコンポーネント選択の利点を享受できませんでした。また、複雑なアーキテクチャは、意味のあるパターンと偶発的な相関を区別することが難しく、解釈可能性が欠如していました。DARTS-GTは、非対称性によってGTの注意メカニズムを再設計し、構造エンコーディングと特徴表現を分離します。ここでは、可微分アーキテクチャ探索（DARTS）を用いて、各層で最適なGNNオペレーターを選択し、異なる層の注意メカニズムを可能にします。さらに、因果アブレーションに基づく定量的解釈可能性フレームワークを提案し、モデル比較を行います。実験では、DARTS-GTがいくつかのベンチマークで最先端の性能を達成し、視覚的な注意の重要性と因果的な重要性が必ずしも一致しないことを示しました。この研究は、パフォーマンスと解釈可能性の間の妥協が不要であることを実証しています。