تم استخدام التضخيم البيانات على نطاق واسع لتحسين قابلية التعميم للنماذج التي تعتمد على التعلم الآلي. ومع ذلك، فإن العمل المتعلق بتضخيم البيانات في سياق الرسوم البيانية (Graphs) يظل محدودًا نسبيًا. ويعود ذلك جزئيًا إلى البنية المعقدة وغير الإقليدية للرسوم البيانية، التي تحد من العمليات الممكنة للتعديل. فهناك لا يوجد ما يعادل العمليات الشائعة في مجالات الرؤية الحاسوبية واللغة الطبيعية عند التعامل مع الرسوم البيانية. تركز هذه الدراسة على تضخيم البيانات في الرسوم البيانية في سياق تحسين تصنيف العقدة شبه المُعلَّمة باستخدام الشبكات العصبية للرسوم البيانية (GNNs). ونناقش الأسباب العملية والنظرية، بالإضافة إلى الاعتبارات والاستراتيجيات المتعلقة بتضخيم البيانات في الرسوم البيانية. تُظهر نتائج عملنا أن نماذج التنبؤ بالحواف العصبية يمكنها ترميز بنية التماثل الطبقي (class-homophilic) بشكل فعّال، مما يعزز الحواف داخل الفئة ويقلل من الحواف بين الفئات ضمن البنية المعطاة للرسم البياني. كما يُعد الإسهام الرئيسي في هذا العمل هو تقديم إطار عمل يُسمى GAug لتضخيم البيانات في الرسوم البيانية، والذي يستفيد من هذه الملاحظات لتحسين الأداء في تصنيف العقدة القائم على الشبكات العصبية للرسوم البيانية من خلال التنبؤ بالحواف. وأظهرت تجارب واسعة على عدة معايير أداء أن التضخيم باستخدام GAug يُحسّن الأداء عبر معماريات مختلفة من الشبكات العصبية للرسوم البيانية والDatasets المختلفة.