الشبكات التلافيفية للرسوم البيانية (GCN) التي اقترحها كيبف وويلينغ مؤخرًا هي نموذج رسومي فعال للتعلم شبه المشرف. ومع ذلك، كان هذا النموذج مصممًا في الأصل لكي يتم تعلمه بوجود بيانات التدريب والاختبار معًا. بالإضافة إلى ذلك، فإن التوسيع الجوار المتكرر عبر الطبقات يشكل تحديات زمنية وذاكرة عند التدريب على الرسوم البيانية الكبيرة والكثيفة. لتسهيل متطلب توفر بيانات الاختبار بشكل متزامن، نقوم بتفسير التلافيف الرسومية كتحويلات تكاملية لوظائف الإMBEDDING تحت مقاييس الاحتمال. مثل هذا التفسير يسمح باستخدام الأساليب المونت كارلو لتقييم التكاملات بشكل متسق، مما يؤدي إلى نظام تدريب دُفعي كما نقترحه في هذه الدراسة---FastGCN. عند تعزيزه بالعينة ذات الأهمية، لا يكون FastGCN فعالًا فقط في التدريب بل يعمم أيضًا بشكل جيد أثناء الاستدلال. نقدم مجموعة شاملة من التجارب لإظهار فعاليته مقارنة بـ GCN والنماذج ذات الصلة. وبشكل خاص، يكون التدريب أكثر كفاءة بمراحل عديدة بينما تظل التوقعات دقيقة بشكل مparable.