تم تطبيق تعلم تمثيل الرسوم البيانية مؤخرًا على طيف واسع من المشكلات التي تمتد من الرسوم الحاسوبية والكيمياء إلى فيزياء الطاقة العالية والوسائط الاجتماعية. وقد أثار انتشار الشبكات العصبية للرسوم البيانية اهتمامًا متنامٍ، سواء في الأوساط الأكاديمية أو الصناعية، بتطوير طرق قادرة على التوسع في الرسوم البيانية الضخمة جدًا، مثل شبكات التواصل الاجتماعي في فيسبوك أو تويتر. في معظم هذه الأساليب، يتم تخفيف التكلفة الحسابية من خلال استراتيجية عينة تُبقي على مجموعة جزئية من الجيران أو فرعيات الرسوم البيانية أثناء التدريب. في هذا البحث، نقترح معمارية جديدة وفعالة وقابلة للتوسع لتعلم العمق على الرسوم البيانية، والتي تتجنب الحاجة إلى عينة الرسوم البيانية من خلال استخدام مرشحات تلافيفية للرسوم البيانية بمقاييس مختلفة، وهي مُلائمة للحساب المسبق الفعّال، مما يسمح بتدريب واستنتاج سريع جدًا. تتيح معماريتنا استخدام مُشغلات رسمية محلية مختلفة (مثل مصفوفات الجوار الناتجة عن النماذج المُحددة أو مصفوفة تشتت رتبة باج رانك الشخصية) لتتناسب بشكل أفضل مع المهمة المطلوبة. أجرينا تقييمًا تجريبيًا واسع النطاق على عدة معايير مفتوحة، وأظهرنا أن نهجنا يتنافس مع المعماريّات الرائدة الأخرى، مع الحاجة إلى جزء ضئيل من وقت التدريب والاستنتاج. علاوةً على ذلك، حصلنا على نتائج رائدة في مجال ogbn-papers100M، وهو أكبر مجموعة بيانات رسمية للرسوم البيانية، والتي تحتوي على أكثر من 110 مليون عقدة و1.5 مليار حافة.