الطرق الحالية الشائعة لتعلم نصف المشرف مع شبكات العصبونات الرسومية (مثل شبكة التفاف الرسم البياني) لا تستطيع بالتأكيد تعلم فئة عامة من علاقات مزج الجوار. لمعالجة هذا الضعف، نقترح نموذجًا جديدًا يُدعى MixHop، يمكنه تعلم هذه العلاقات، بما في ذلك مؤثرات الاختلاف، من خلال مزج متكرر لتمثيلات الخصائص للجيران على مسافات مختلفة. لا يتطلب MixHop أي ذاكرة إضافية أو تعقيد حسابي إضافي، ويتفوق على الخطوط الأساسية الصعبة. بالإضافة إلى ذلك، نقترح تنظيم الندرة الذي يتيح لنا رؤية كيفية أولوية الشبكة لمعلومات الجوار عبر مجموعات بيانات الرسوم البيانية المختلفة. كشف تحليلنا للهياكل المُتعلمة أن مزج الجوار يختلف حسب مجموعة البيانات.