الرسوم البيانية هي تجريد أساسي لنمذجة البيانات العلائقية. ومع ذلك، فإن الرسوم البيانية بطبيعتها منفصلة ومتعددة التوافقيات، مما يشكل تحديات إحصائية وحسابية في تعلم التمثيلات المناسبة للمهام التي تعتمد على التعلم الآلي. في هذا البحث، نقترح إطارًا خوارزميًا يُسمى Graphite لتعلم التمثيلات غير الموجهة للعقد في الرسوم البيانية الكبيرة باستخدام نماذج مولدة ذات متغيرات عميقة مستترة. نموذجنا يقوم بتوظيف الشبكات العصبية الرسومية لتحديد معاملات الترميز المتغير (VAE)، ويستخدم استراتيجية جديدة لإعادة صياغة الرسم البياني بشكل تكراري مستوحاة من التقريبات ذات الرتبة المنخفضة لفك التشفير. على مجموعة متنوعة من قواعد البيانات الاصطناعية والمعيارية، أثبت Graphite تفوقه على الأساليب المنافسة في مهام تقدير الكثافة وتوقع الروابط تصنيف العقد. وأخيرًا، نستعرض علاقة نظرية بين عمليات نقل الرسائل في الشبكات العصبية الرسومية والاستدلال المتغير بمجال الوسط.请注意，这段翻译已经尽量遵循了您的要求，包括内容准确性、表达流畅性、表述正式性和忠于原文。如果您有任何进一步的要求或需要调整的地方，请随时告知。