نعتبر مشكلة تعلم التمثيل للبيانات الرسمية (الجراف). يمكن لشبكات العصبونات التلافيفية أن تعمل بشكل طبيعي على الصور، ولكنها تواجه تحديات كبيرة في التعامل مع البيانات الرسمية. نظرًا لأن الصور هي حالات خاصة من الجرافات حيث تقع العقد على شبكات ثنائية الأبعاد، فإن مهام تمثيل الجراف لها علاقة طبيعية بمهام التنبؤ البكسلية للصورة مثل التقسيم. بينما تم تطبيق هياكل الترميز-التفكيش مثل U-Nets بنجاح على العديد من مهام التنبؤ البكسلية للصورة، فإن الطرق المماثلة غير موجودة للبيانات الرسمية. هذا يرجع إلى حقيقة أن عمليات التجميع والتوسيع ليست طبيعية على البيانات الرسمية. لمعالجة هذه التحديات، نقترح في هذا العمل عمليات تجميع جديدة للجراف (gPool) وعمليات توسيع عكسية (gUnpool). تقوم طبقة gPool باختيار بعض العقد بشكل متكيف لتشكيل جراف أصغر استنادًا إلى قيم الإسقاط القياسية لها على متجه إسقاط قابل للتدريب. كما نقترح طبقة gUnpool كعملية عكسية لطبقة gPool. تقوم طبقة gUnpool بإعادة بناء الجراف إلى هيكله الأصلي باستخدام معلومات موقع العقد التي تم اختيارها في الطبقة gPool المقابلة. بناءً على طبقتي gPool و gUnpool المقترحتين لدينا، قمنا بتطوير نموذج ترميز-تفكيش على الجراف، المعروف باسم graph U-Nets. تظهر نتائج التجارب الخاصة بنا في مهام تصنيف العقد وتصنيف الجراف أن طرقنا تحقق أداءً أفضل بكفاءة أكثر من النماذج السابقة.