تعمل الشبكات العصبية الرسومية (GNNs) بشكل جيد عندما تكون البنية الرسومية متوفرة. ومع ذلك، قد لا تكون هذه البنية متاحة دائمًا في التطبيقات الواقعية. أحد الحلول لهذا التحدي هو استخلاص بنية خفية مخصصة للمهمة، ثم تطبيق شبكة عصبية رسومية على الرسم البياني المستخلص. لكن الفضاء الممكن للبنية الرسومية ينمو بشكل فائق أسي بالنسبة لعدد العقد، وبالتالي قد يكون التوجيه المخصص للمهمة غير كافٍ لتعلم كل من البنية ومتغيرات الشبكة العصبية الرسومية معًا. في هذه الدراسة، نقترح طريقة تُسمى "التعلم المتزامن للجدول المجاور ومتغيرات الشبكة العصبية الرسومية باستخدام التوجيه الذاتي" أو SLAPS، وهي طريقة توفر مزيدًا من التوجيه لاستخلاص بنية الرسم البياني من خلال التوجيه الذاتي. تُظهر دراسة تجريبية شاملة أن SLAPS تُ-scalable إلى رسوم بيانية كبيرة تحتوي على مئات الآلاف من العقد، وتفوق عدة نماذج تم اقتراحها سابقًا لتعلم بنية رسم بياني مخصصة للمهمة على معايير معيارية معروفة.