شبكات التجميع الرسومية (GCNs) تحظى باهتمام كبير بفضل قدرتها على تعلم تمثيل البيانات على الرسوم البيانية. على عكس شبكات العصبونات التجميعية (CNNs)، التي تستفيد من تراكم طبقات عميقة جداً، تعاني شبكات GCN من مشكلات انخفاض التدرج، التجانس الزائد والتطابق الزائد عند زيادة عمقها. هذه التحديات تحد من قوة تمثيل شبكات GCN في الرسوم البيانية الكبيرة الحجم. يقترح هذا البحث نموذج DeeperGCN الذي يتمتع بالقدرة على تدريب شبكات GCN عميقة جداً بشكل ناجح وموثوق. نحدد وظائف تجميع معممة قابلة للتفاضل لتوحيد عمليات جمع الرسائل المختلفة (مثل الوسط الحسابي، الأقصى). كما نقترح طبقة تطبيع جديدة باسم MsgNorm ونسخة مسبقة التنشيط من الاتصالات المتبقية لشبكات GCN. أظهرت التجارب الواسعة على معيار الرسوم البيانية المفتوحة (OGB) أن DeeperGCN يعزز الأداء بشكل كبير مقارنة بأحدث التقنيات في مهام تعلم الرسوم البيانية الكبيرة الحجم مثل التنبؤ بخصائص العقد والرسوم البيانية. لمزيد من المعلومات، يرجى زيارة https://www.deepgcns.org.