تم انتقاد الشبكات العصبية الرسومية (GNNs) القائمة على مشغل الت.Convolution الرسومي الطيفي بسبب تدهور أدائها، وهو ما يُعد شائعًا بشكل خاص في النماذج ذات البنية العميقة. في هذا البحث، نُحدد بشكل إضافي مشكلة "الحالة التجميدية" (suspended animation) التي تحدث في الشبكات العصبية الرسومية الحالية. تحدث هذه المشكلة عندما تصل عمق النموذج إلى الحد الأقصى للحالة التجميدية، فيتوقف النموذج عن الاستجابة لبيانات التدريب تمامًا، ويصبح غير قابل للتعلم. وسيتم في هذا البحث تقديم تحليل دقيق لأسباب حدوث مشكلة الحالة التجميدية في الشبكات العصبية الرسومية الحالية، إلى جانب الإبلاغ عن عوامل جانبية أخرى قد تؤثر على هذه المشكلة. ولحل هذه المشكلة، نُقدّم في هذا البحث إطار عمل يُسمى GResNet (الشبكة العصبية الرسومية المُعادلة)، الذي يُنشئ ممرات متصلة بشكل واسع لتمكين مشاركة الميزات الخام للعقد أو التمثيلات المتوسطة عبر جميع طبقات النموذج. على عكس الإطارات التعليمية الأخرى، فإن الاتصالات الواسعة في بيانات الرسم البياني تجعل من الصعب تطبيق أساليب التعلم المُعادل البسيطة الحالية. ونُثبت فعالية المصطلحات الرسومية المُعادلة الجديدة المقدمة من منظور الحفاظ على القياس (norm preservation)، والتي تساعد على تجنب التغيرات الكبيرة في تمثيل العقد بين الطبقات المتتالية. كما سيُقدم في البحث دراسات مفصلة حول إطار GResNet بالنسبة لعدة شبكات عصبية رسومية شائعة، بما في ذلك GCN وGAT وLoopyNet، مع إجراء تجارب تجريبية واسعة على مجموعات بيانات معيارية حقيقية.