أظهرت الشبكات العصبية الرسومية (GNNs) كفاءتها كنماذج فعّالة لمهام التنبؤ المختلفة على البيانات ذات الهيكل الرسومي. ركّزت الدراسات الحديثة حول قدرتها التعبيرية على مهام التماثل وفضاءات الميزات القابلة للعد. ونُمّذج هذا الإطار النظري ليشمل الميزات المستمرة – التي تظهر بشكل منتظم في مجالات الإدخال الواقعية، وكذلك داخل الطبقات المخفية للـ GNNs – ونُظهر الحاجة إلى استخدام وظائف تجميع متعددة في هذا السياق. وبناءً على ذلك، نقترح معمارية جديدة تُسمى "تجميع الجيران الرئيسيين" (PNA)، والتي تدمج بين عدة وظائف تجميع مع مُعدّلات الدرجة (التي تعمم وظيفة الجمع). وأخيرًا، نقارن قدرة النماذج المختلفة على استيعاب واستغلال البنية الرسومية من خلال معيار جديد يحتوي على مهام متعددة مستمدة من نظرية الرسوم التقليدية، بالإضافة إلى معايير موجودة من مجالات واقعية، حيث تُظهر جميعها قوة نموذجنا. نأمل من خلال هذا العمل أن نُوجّه جزءًا من أبحاث الشبكات العصبية الرسومية نحو أساليب تجميع جديدة نعتقد أنها ضرورية في البحث عن نماذج قوية ومتينة.