تقليديًا، يمكن حل مشكلة اكتشاف المجتمعات في الرسوم البيانية باستخدام الطرق الطيفية أو الاستدلال اللاحق تحت النماذج الرسومية الاحتمالية. مع التركيز على عائلات الرسوم العشوائية مثل نموذج الكتل العشوائي، أظهرت الأبحاث الحديثة توحيد هذين النهجين وتحديد حدود الاكتشاف الإحصائي والحاسوبي من حيث نسبة الإشارة إلى الضوضاء. من خلال إعادة صياغة مشكلة اكتشاف المجتمعات كمشكلة تصنيف عقدية على الرسوم البيانية، يمكن أيضًا دراستها من وجهة نظر التعلم. نقدم عائلة جديدة من شبكات العصبونات الرسومية (GNNs) لحل مشاكل اكتشاف المجتمعات في إعداد التعلم المشرف عليه. نوضح أن هذه الشبكات، وبطريقة موجهة بالبيانات وفي غياب النماذج الجينيراتيفية الأساسية، يمكنها أن تتطابق أو حتى تتفوق على أداء خوارزمية الانتشار بالمعتقدات في نماذج الكتل العشوائية الثنائية والمتعددة الفئات، والتي يُعتقد أنها تصل إلى الحد الحاسوبي. بشكل خاص، نقترح تعزيز شبكات العصبونات الرسومية بمُعامل عدم العودة المعرّف على الرسم البياني الخطي للحواف المجاورة. كما تحقق نماذجنا أداءً جيدًا على مجموعات البيانات الحقيقية. بالإضافة إلى ذلك، نقوم بتحليل أول للمناظر الطبيعية للمعولمة عند تدريب شبكات العصبونات الرسومية الخطية لمشاكل اكتشاف المجتمعات، مما يدل على أن قيم الخسارة في الحدود المحلية والعالمية ليست بعيدة عن بعضها البعض تحت بعض البساطات والافتراضات المحددة.