تلقى الشبكات العصبية الرسومية (GNNs) اهتمامًا متزايدًا، جزئيًا بسبب أدائها المتفوق في العديد من مهام تصنيف العقد والرسومات. ومع ذلك، لا تزال هناك فجوة في الفهم حول ما الذي يتعلمه هذه الشبكات وكيفية تعقيد الوظائف الرسومية التي تم تعلمها. في هذا العمل، نقترح تقسيم الشبكات العصبية الرسومية لمهام تصنيف الرسومات إلى جزأين: 1) تصفية الرسم البياني، حيث يتم تنفيذ عمليات التجميع الجار للرسم البياني، و2) الدالة المجموعية، حيث يتم تركيب مجموعة من خصائص العقد الخفية للتنبؤ. لدراسة أهمية كلا الجزأين، نقترح تخطيطهما بشكل منفصل. أولاً، نقوم بتخطيط دالة تصفية الرسم البياني، مما يؤدي إلى شبكة ميزات الرسم البياني (GFN)، وهي شبكة عصبية بسيطة وخفيفة الوزن معرفة على مجموعة من الميزات المعززة بالرسم البياني. ثم يتم تخطيط دالة المجموعة في GFN بشكل إضافي ليتم الحصول على شبكة خطية رسمية (GLN)، وهي دالة خطية. قمنا بإجراء تقييمات عملية على مقاييس شائعة لتصنيف الرسومات. وللدهشة، وجدنا أن GFN يمكنها أن تطابق أو تتخطى أفضل الدقة التي أنتجتها GNNs المقترحة حديثًا (مع جزء صغير فقط من تكلفة الحساب)، بينما أدت GLN بشكل ضعيف بشكل كبير. تظهر نتائجنا أهمية الدالة المجموعية غير الخطية وتؤكد أن الجمع بين تصفيه الرسم البياني الخطية والدالة المجموعية غير الخطية هو نظام فعال وقوي لنمذجة مقاييس تصنيف الرسومات الحالية.