شبكات التجميع الرسومية (GCNs) هي نماذج قوية لتعلم تمثيلات الرسوم البيانية ذات السمات. لتوسيع نطاق شبكات التجميع الرسومية إلى رسوم بيانية كبيرة، تستخدم الطرق المتقدمة تقنيات مختلفة لعينة الطبقات لتخفيف مشكلة "انفجار الجيران" أثناء التدريب بالدُفعات الصغيرة. نقترح استخدام GraphSAINT، وهو طريقة تعلم استقرائية تعتمد على عينة الرسم البياني والتي تحسن كفاءة التدريب والدقة بطريقة جوهرية مختلفة. من خلال تغيير المنظور، يقوم GraphSAINT ببناء الدُفعات الصغيرة عن طريق أخذ عينات من الرسم البياني للتدريب بدلاً من العقد أو الحواف عبر طبقات GCN. في كل عملية تكرار، يتم بناء شبكة GCN كاملة من الرسم البياني الفرعي المُعد بشكل صحيح. وهكذا، نضمن وجود عدد ثابت من العقد المرتبطة جيدًا في جميع الطبقات. بالإضافة إلى ذلك، نقترح تقنية تطبيع لإزالة التحيز وخوارزميات العينة لتقليل الانحراف المعياري. وبشكل مهم، يمكننا فصل أخذ العينات عن عمليتي الانتشار الأمامي والخلفي، وتوسيع GraphSAINT بمجموعة متنوعة من الأشكال المعمارية (مثل انتباه الرسم البياني، الربط القفز).يظهر GraphSAINT أداءً متفوقًا في كلٍ من الدقة ووقت التدريب على خمسة رسوم بيانية كبيرة، ويحقق درجات F1 جديدة غير مسبوقة لـ PPI (0.995) و Reddit (0.970).