باتت شبكات التجميع الرسومية (GCNs) أداة حاسمة في تعلم تمثيلات رؤوس الرسم البياني. تحدي التكيف الرئيسي لهذه الشبكات على الرسومات الكبيرة هو مشكلة القابلية للتوسع التي تتسبب في تكاليف باهظة من حيث الحساب والذاكرة بسبب التوسع غير المُتحكم فيه للجوار عبر الطبقات. في هذا البحث، نسرع عملية تدريب شبكات GCN من خلال تطوير طريقة عينية متكيفة وطبقية. ببناء الشبكة طبقة بطبقة بطريقة من الأعلى إلى الأسفل، نقوم بأخذ عينات من الطبقة السفلى بناءً على الطبقة العلوية، حيث يتم مشاركة الجوار العيني بين العقد الوالدة المختلفة ويتم تجنب التوسع الزائد بفضل العينة ذات الحجم الثابت. وأهم من ذلك، أن العايني المقترح متكيف ويمكن تطبيقه لتخفيض التباين بشكل صريح، مما يعزز بدوره تدريب طريقتنا. بالإضافة إلى ذلك، نقترح نهجًا جديدًا ومُقتصدًا لتعزيز نقل الرسائل بين العقد البعيدة عن طريق استخدام الاتصالات القفزية (skip connections). أثبتت التجارب المكثفة على عدة مقاييس قياسية فعالية طريقتنا فيما يتعلق بدقة التصنيف مع الاستمتاع بسرعة تقارب أسرع.