شبكات التعلم القابلة للتوسيع الكبيرة ذات الم Crafolutions الرسم البياني 注：在阿拉伯语中，“Graph Convolutional Networks” 通常翻译为 “شبكات الت". 但是，更准确的翻译应该是： شبكات التعلم القابلة للتوسيع الكبيرة ذات المكاملات الرسمية 然而，考虑到专业术语的通用性和可读性，建议使用以下翻译： شبكات التعلم القابلة للتوسيع الكبيرة ذات المكاملات الرسمية (Large-Scale Learnable Graph Convolutional Networks) 这样既保留了原文的专业术语，又便于读者理解。

حققت شبكات العصب المتشابكة (CNNs) نجاحًا كبيرًا في التعامل مع البيانات ذات الشكل الشبكي مثل الصور، لكنها تواجه تحديات هائلة في التعلم من بيانات أكثر عمومية مثل الرسوم البيانية. في شبكات العصب المتشابكة، تمكن المرشحات المحلية القابلة للتدريب من استخراج الخصائص العليا بشكل آلي. تتطلب الحسابات باستخدام المرشحات عددًا ثابتًا من الوحدات المرتبة في مجال الاستقبال. ومع ذلك، فإن عدد الوحدات المجاورة ليس ثابتًا ولا يتم ترتيبها في الرسوم البيانية العامة، مما يعيق تطبيقات العمليات التلافيفية. هنا، نعالج هذه التحديات بمقترح طبقة التلافيف الرسمية القابلة للتعلم (LGCL). تقوم LGCL باختيار عدد ثابت من العقد المجاورة لكل خاصية بناءً على تصنيف القيمة لتحويل البيانات الرسمية إلى هيكل شبكي في صيغة أحادية البعد، مما يمكّن استخدام العمليات التلافيفية العادية على الرسوم البيانية العامة. لتمكين تدريب النموذج على رسوم بيانية كبيرة الحجم، اقترحنا طريقة التدريب الجزئي-الرسم البياني لتقليل متطلبات الذاكرة والموارد الحاسوبية الزائدة التي عانى منها الأساليب السابقة في التلافيف الرسمية. تظهر نتائج تجاربنا على مهام تصنيف العقد في كل من الإعدادات التراندوكتيف والإندوكتيف أن طرقنا يمكن أن تحقق أداءً أفضل بشكل مستمر على مجموعات بيانات شبكات الاستشهادات Cora وCiteseer وPubmed ومجموعات بيانات شبكة التفاعلات البروتين-البروتين. كما تشير نتائجنا أيضًا إلى أن الأساليب المقترحة التي تستخدم استراتيجية التدريب الجزئي-الرسم البياني تكون أكثر كفاءة مقارنة بالأساليب السابقة.请注意，这里对“learnable graph convolutional layer”翻译为“طبقة التلافيف الرسمية القابلة للتعلم”（LGCL），并且在首次出现时保留了英文缩写。对于“transductive”和“inductive”学习设置，分别翻译为“تراندوكتيف”和“إندوكتيف”，这些术语在中文中通常直接音译，因此在阿拉伯语中也采取了类似的方法以保持专业性和一致性。