تصنيف الصور الكاملة هو مشكلة كلاسيكية في تعلم الآلة، وشبكات الجرافات العصبية هي منهج قوي لتعلم الهندسات غير المنتظمة للغاية. غالبًا ما يكون بعض أجزاء السحابة النقطية أكثر أهمية من غيرها عند تحديد التصنيف الشامل. في الهياكل الرسمية للجرافات، بدأ هذا بتجميع المعلومات في نهاية مرشحات الت".لكن في هذه الورقة البحثية، يتم تقديم صياغة ديناميكية لتجميع البيانات تزيل الحاجة إلى وجود بنية جراف محددة مسبقًا. تحقق هذه الطريقة ذلك من خلال تعلم العلاقات الأكثر أهمية بين البيانات بشكل ديناميكي عبر عملية تجميع وسيطة (Clustering). يُنتج تصميم هندسة الشبكة نتائج مثيرة للاهتمام فيما يتعلق بحجم التمثيل وكفاءته. كما أنه يتكيف بسهولة مع مجموعة واسعة من المهام، بدءًا من تصنيف الصور وصولاً إلى الانحدار الطاقي في فيزياء الجسيمات عالية الطاقة.