نُقدِّم CRaWl، وهي معمارية شبكة عصبية جديدة للتعلم على الرسوم البيانية. مثل شبكات العصبونات الرسومية (GNN)، فإن طبقات CRaWl تقوم بتحديث ميزات العقد على الرسم البياني، وبالتالي يمكن دمجها أو تبادلها بحرية مع طبقات GNN. ومع ذلك، فإن CRaWl تعمل بشكل جوهري مختلف عن شبكات العصبونات الرسومية التي تعتمد على تمرير الرسائل. حيث تقوم طبقات CRaWl باستخراج وتجميع المعلومات من الرسوم الفرعية التي تظهر أثناء السير العشوائي عبر الرسم البياني باستخدام التباعد الأحادي (1D Convolutions). وبذلك، تُحدِّد التفاعلات على مدى بعيد وتُحسب الميزات غير المحلية. كأساس نظري لنهجنا، نُثبت مبرهنة تنص على أن تعبير CRaWl لا يمكن مقارنته بقدرة خوارزمية Weisfeiler Leman، وبالتالي لا يمكن مقارنتها بشبكات العصبونات الرسومية. أي أن هناك دوالًا يمكن التعبير عنها باستخدام CRaWl، ولكن لا يمكن التعبير عنها باستخدام GNNs، والعكس صحيح. وينطبق هذا الناتج أيضًا على المستويات الأعلى في هرم Weisfeiler Leman، وبالتالي على شبكات العصبونات الرسومية ذات الرتبة العليا. من الناحية التجريبية، نُظهر أن CRaWl تُنافس أفضل الأداء في الشبكات الرسومية الحديثة عبر مجموعة واسعة من مجموعات البيانات المعيارية المخصصة للفئات والانحدار على الرسوم البيانية.