نقوم بدراسة قوة التمثيل للشبكات العصبية الرسومية في مهمة تصنيف العقد شبه المشرف تحت ظروف التنوع أو الانخفاض في التشابه، أي في الشبكات حيث قد تكون العقد المتصلة لها تصنيفات مختلفة ومعالم متميزة. العديد من الشبكات العصبية الرسومية الشائعة تفشل في التعميم إلى هذا الإعداد، وقد يتم تفوقها حتى من قبل النماذج التي تتجاهل بنية الرسم البياني (مثل شبكات الابتكار متعددة الطبقات). انطلاقًا من هذه الحدود، نحدد مجموعة من التصميمات الأساسية -- فصل تمثيل الذات والجيران، الجوار من الرتب الأعلى، ودمج التمثيلات الوسيطة -- التي تعزز التعلم من بنية الرسم البياني تحت ظروف التنوع. نجمع بينها في شبكة عصبية رسومية، H2GCN، والتي نستخدمها كطريقة أساسية لتقييم فعالية التصميمات المحددة بشكل تجريبي. بالإضافة إلى المقاييس التقليدية ذات التشابه القوي، يظهر تحليلنا التجريبي أن التصميمات المحددة تزيد دقة الشبكات العصبية الرسومية بنسبة تصل إلى 40٪ و27٪ مقارنة بالنماذج التي لا تحتوي عليها على الشبكات الصناعية والواقعية ذات التنوع، على التوالي، وتقدم أداءً تنافسيًا تحت ظروف التشابه.