حققت نماذج التعلم العميق نجاحًا كبيرًا في العديد من المجالات، مثل رؤية الحاسوب ومعالجة اللغة الطبيعية. ومع ذلك، على عكس هذه المجالات، يصعب تطبيق النماذج التقليدية للتعلم العميق على بيانات الرسم البياني بسبب خاصية "عدم ترتيب العقد" (node-orderless). عادةً ما تفرض مصفوفات الجوار ترتيبًا صناعيًا وعشوائيًا للعقد على الرسوم البيانية، مما يجعل أداء النماذج العميقة في مهام تصنيف الرسوم البيانية متقلبًا بشكل كبير، كما أن التمثيلات التي تتعلمها هذه النماذج تنقصها الوضوح في التفسير. لحذف قيد ترتيب العقد غير الضروري، نقترح نموذجًا جديدًا باسم شبكة العصبيات المتماثلة (Isomorphic Neural Network - IsoNN)، والذي يتعلم تمثيل الرسم البياني من خلال استخراج ميزاته المتماثلة عبر مطابقة الرسم البياني المدخل مع القوالب. يتكون IsoNN من مكونين رئيسيين: مكون استخراج الميزات المتماثلة للرسم البياني ومكون التصنيف. يستخدم مكون استخراج الميزات المتماثلة للرسم البياني مجموعة من القوالب الفرعية كمتغيرات النواة لتعلم الأنماط الفرعية المحتملة الموجودة في الرسم البياني المدخل ثم حساب الميزات المتماثلة. يتم استخدام مجموعة من مصفوفات التبديل في هذا المكون لكسر ترتيب العقد الذي يجلبه التمثيل بالمصفوفة. تم استخدام ثلاث طبقات متصلة بالكامل كمكون تصنيف في IsoNN. أجريت التجارب الواسعة على مجموعات بيانات المرجعية، ويمكن أن تظهر نتائج هذه التجارب فعالية IsoNN، خاصة عند مقارنتها بطرق تصنيف الرسوم البيانية الكلاسيكية وأحدثها.