شبكات العصبونات الرسومية (GNNs) هي فئة شائعة من نماذج التعلم الآلي التي تتميز بقدرتها على دمج بنية اعتماد نادرة ومجزأة بين نقاط البيانات. ومع ذلك، يمكن استخدام شبكات العصبونات الرسومية فقط عندما تكون هذه البنية الرسمية متاحة. في الممارسة العملية، غالبًا ما تكون الرسوم البيانية الحقيقية ضوضائية وغير كاملة أو قد لا تكون متاحة على الإطلاق. من خلال هذا العمل، نقترح تعلم بنية الرسم والمعالم الخاصة بشبكات التجميع الرسومي (GCNs) معًا عن طريق حل برنامج ثنائي المستوى بشكل تقريبي يتعلم توزيع احتمالي مجزأ على حواف الرسم. هذا يتيح استخدام شبكات التجميع الرسومي ليس فقط في السيناريوهات حيث يكون الرسم المعطى غير كامل أو مشوه ولكن أيضًا في تلك التي لا يوجد فيها رسم على الإطلاق. قمنا بسلسلة من التجارب لتحليل سلوك الطريقة المقترحة وإظهار أنها تتفوق على الطرق ذات الصلة بمقدار كبير.