الخوارزميات النواتج الرسومية المستندة إلى خوارزمية ويسبفيلر-ليمان ($1$1-بُعَيدية) والهياكل العصبية المقابلة ظهرت مؤخرًا كأدوات قوية للتعلم مع الرسوم البيانية (المشرف عليه). ومع ذلك، نظرًا لطبيعتها المحلية تمامًا، قد تغفل هذه الخوارزميات أنماطًا حاسمة في البيانات المعطاة ويمكنها التعامل فقط مع العلاقات الثنائية. تعالج خوارزمية ويسبفيلر-ليمان ($k$k-بُعَيدية) هذا الأمر من خلال النظر إلى مجموعات $k$k، والتي تعريف على مجموعة الرؤوس، وتعين مفهومًا مناسبًا للجوار بين هذه المجاميع من الرؤوس. وبالتالي، فإنها تأخذ في الاعتبار التفاعلات من الدرجة الأعلى بين الرؤوس. ومع ذلك، فإنها لا تتوسع بشكل جيد وقد تعاني من الإفراط في التكيف عند استخدامها في إعداد التعلم الآلي. لذلك، يظل مشكلة مهمة ومفتوحة تصميم طرق تعلم رسومي مستندة إلى ويسبفيلر-ليمان تكون في الوقت نفسه ذات تعبير قوي وقابلة للتوسع وغير عرضة للإفراط في التكيف. هنا، نقترح نسخ محلية وأطر عصبية متناظرة، والتي تنظر إلى مجموعة فرعية من الجوار الأصلي، مما يجعلها أكثر توسعًا وأقل عرضة للإفراط في التكيف. القوة التعبيرية لخوارزميتنا (أحد خوارزمياتنا) أعلى بصرامة من الخوارزمية الأصلية فيما يتعلق بقدرة تمييز الرسوم البيانية غير المتماثلة. يؤكد دراستنا التجريبية أن الخوارزميات المحلية، سواءً كانت نواتج أو هياكل عصبية، تقود إلى أوقات حسابية مخفضة بشكل كبير وتمنع الإفراط في التكيف. يحدد الإصدار النواة مستوى جديد للمعايير الفنية لأجل تصنيف الرسوم البيانية على نطاق واسع من مجموعات البيانات المرجعية، بينما يظهر الإصدار العصبي أداءً واعدًا في مهمات الانحدار الجزيئي على نطاق كبير.