ندرس مشكلة التعلم شبه المراقب على الرسوم البيانية، حيث تم استكشاف الشبكات العصبية للرسوم البيانية (GNNs) على نطاق واسع. ومع ذلك، فإن معظم الشبكات العصبية للرسوم البيانية الحالية تعاني بشكل جوهري من قيود مثل التمويه الزائد، وعدم القدرة على التحمل، وضعف التعميم عندما تكون العقد المُعلَّمة نادرة. في هذا البحث، نقترح إطارًا بسيطًا ولكن فعّالًا يُسمى الشبكات العصبية العشوائية للرسوم البيانية (GRAND) لمعالجة هذه المشكلات. في GRAND، نبدأ بتصميم استراتيجية توزيع عشوائية لإجراء تكبير بيانات الرسم البياني. ثم نستفيد من الت régularisation المستمرة لتحسين اتساق التنبؤات للعقد غير المُعلَّمة عبر مختلف تكبيرات البيانات. تشير التجارب الواسعة على مجموعات بيانات معيارية للرسوم البيانية إلى أن GRAND يتفوق بشكل كبير على أحدث النماذج الأساسية للـ GNN في تصنيف العقد شبه المراقب. وأخيرًا، نُظهر أن GRAND يخفف من مشكلات التمويه الزائد وعدم القدرة على التحمل، ويُظهر سلوك تعميم أفضل مقارنة بالشبكات العصبية للرسوم البيانية الحالية. تم إتاحة الشفرة المصدرية لـ GRAND بشكل عام على الرابط: https://github.com/Grand20/grand.