قد تعاني الشبكات العصبية الرسومية الحالية من ما يُعرف بـ"مشكلة التجميد" (suspended animation problem) عند زيادة عمق بنية النموذج. وفي الوقت نفسه، تُعد الشبكات العصبية الرسومية العميقة ضرورية لتحقيق تعلم فعّال لتمثيل الرسومات في بعض سيناريوهات التعلم على الرسومات، مثل الرؤوس التي تحتوي على سمات نصية/صورية، أو الرسومات التي تتميز بعلاقات ترابط بين رؤوس بعيدة المدى. في هذا البحث، نقترح نموذجًا جديدًا للشبكة العصبية الرسومية يُسمى DIFNET (الشبكة العصبية التوصيلية للرسومات)، وذلك لغرض تعلم تمثيل الرسومات وتصنيف الرؤوس. تعتمد DIFNET على دمج بين الأبواب العصبية (neural gates) وتعلم التراكب الرسومي (graph residual learning) لنمذجة الحالات الخفية للرؤوس، كما تشمل آلية انتباه (attention mechanism) لتمكين توزيع معلومات الجيران حول الرأس. ستخضع DIFNET لاختبارات تجريبية واسعة النطاق في هذا البحث، بهدف مقارنتها مع عدة نماذج حديثة ومتقدمة من الشبكات العصبية الرسومية. وتُظهر النتائج التجريبية مزايا الأداء في التعلم وفعالية DIFNET، وبشكل خاص في معالجة "مشكلة التجميد".