نقدم شبكات العصبيات التلافيفية التفاضلية (DCNNs)، وهي نموذج جديد للبيانات ذات الهيكل الرسومي. من خلال تقديم عملية التلافيف التفاضلية، نوضح كيف يمكن تعلم تمثيلات قائمة على الانتشار من البيانات ذات الهيكل الرسومي واستخدامها كأساس فعال لتصنيف العقد. تتميز شبكات العصبيات التلافيفية التفاضلية بعدة جوانب جاذبة، بما في ذلك تمثيل خفي للبيانات الرسومية ثابت تحت الإزومورفيزم، بالإضافة إلى تنبؤ وتعلم بزمن متعدد الحدود يمكن تمثيله كعمليات موترية وتنفيذها بكفاءة على وحدة معالجة الجرافيك (GPU). من خلال عدة تجارب باستخدام مجموعات بيانات هيكلية حقيقية، نبين أن شبكات العصبيات التلافيفية التفاضلية قادرة على تجاوز النماذج العلاقاتية الاحتمالية وطرق النواة على الرسوم البيانية في مهام تصنيف العقد العلاقاتية.