لقد شهدت مهمة تمثيل الرسوم البيانية بأكملها زيادة في النتائج البارزة، وذلك بشكل أساسي بسبب تعلم الشبكات العصبية التلافيفية (CNNs) على البيانات ذات الهيكل الرسومي. رغم أن الشبكات العصبية التلافيفية تظهر أداءً رائدًا في مهمة تصنيف الرسوم البيانية، فإن هذه الأساليب تكون مراقبة (موجهة) وبالتالي تبتعد عن المشكلة الأصلية لتمثيل الشبكة بطريقة مستقلة عن المهمة. في هذا السياق، نقترح بوضوح منهجية لدمج الرسوم البيانية بأكملها ونوضح أن تمثيلات الخصائص الخاصة بنا مع تصنيف SVM تزيد من دقة تصنيف خوارزميات CNN والأنوية التقليدية للرسوم البيانية. لهذه الغاية، نصف كائن رسومي تم اكتشافه مؤخرًا وهو المشي المجهول (anonymous walk)، حيث نصمم خوارزميات مستقلة عن المهمة لتعلم تمثيلات الرسوم البيانية بطريقة صريحة وموزعة. بشكل عام، يمثل عملنا الجديد طريقة قابلة للتوسع للتعلم غير الموجه لتمثيلات رائدة للرسوم البيانية بأكملها.