البيانات ذات الهيكل الرسومي مثل شبكات التواصل الاجتماعي، وشبكات الدماغ الوظيفية، وشبكات تنظيم الجينات، وشبكات الاتصالات قد أثارت اهتمامًا بتوسيع تقنيات التعلم العميق إلى مجال الرسوم البيانية. في هذا البحث، نحن مهتمون بتصميم شبكات عصبية للرسوم البيانية ذات الأطوال المتغيرة لحل مشاكل التعلم مثل تصنيف الرأس، تصنيف الرسم البياني، الانحدار الرسومي، ومهمات توليد الرسوم البيانية. معظم الأعمال السابقة ركزت على الشبكات العصبية المتكررة (RNNs) لتعلم تمثيلات ذات معنى للرسوم البيانية، وأكثر حديثًا تم تقديم شبكات عصبية تلافيفية جديدة (ConvNets). في هذا العمل، نرغب في مقارنة هذه العائلتين الأساسيتين من المعماريات بشكل دقيق لحل مهمات التعلم على الرسوم البيانية. نراجع المعماريات الحالية للـ RNN والـ ConvNet على الرسوم البيانية، ونقترح توسعًا طبيعيًا للـ LSTM والـ ConvNet إلى رسوم بيانية بأحجام تعسفية. ثم نصمم مجموعة من التجارب التي يتم التحكم فيها تحليليًا على مشكلتين أساسيتين في الرسوم البيانية، وهما مطابقة الفرعيات والتكعيب الرسومي (graph clustering)، لاختبار المعماريات المختلفة. تظهر النتائج العددية أن الشبكات العصبية التلافيفية المقترحة للرسوم البيانية أكثر دقة بنسبة 3-17% وأسرع بمقدار 1.5-4 مرات من الشبكات العصبية المتكررة للرسوم البيانية. كما أن الشبكات العصبية التلافيفية للرسوم البيانية أكثر دقة بنسبة 36% من التقنيات المتغيرة (غير التعليمية). أخيرًا، فإن أكثر المعماريات فعالية في الشبكات العصبية التلافيفية للرسوم البيانية هي التي تستخدم الحواف المغلقة (gated edges) والتراكمية (residuality). يلعب التراكم دورًا أساسيًا في تعلم المعماريات متعددة الطبقات حيث أنه يوفر زيادة في الأداء بنسبة 10%.