تُعدّ المعرفة الشائعة في مجتمع الشبكات العصبية الرسومية (GNN) هي أن النماذج غير المتجانسة — حيث تكون الرسائل المرسلة بين العقد دالةً على كل من العقدة المصدرية والعقدة الوجهة — ضرورية لتحقيق الأداء الأفضل على المستوى العالمي. وقد أظهرت الاختبارات حتى الآن أن هذه النماذج تتفوق على النماذج المتجانسة المماثلة — التي تكون فيها الرسائل دالةً على العقدة المصدرية فقط. في هذا العمل، نقدم أدلة تجريبية تتحدى هذه الرؤية: نقترح نموذجًا متجانسًا للشبكة العصبية الرسومية يُسمى "التحويل الرسومي الفعّال" (Efficient Graph Convolution - EGC)، والذي يتفوق باستمرار على النماذج غير المتجانسة المماثلة، بما في ذلك معمارية GAT أو PNA الشهيرة، من خلال استخدام مرشحات تكيفية تختلف حسب الموقع (spatially-varying adaptive filters). إلى جانب طرح أسئلة مهمة للمجتمع البحثي في مجال GNN، فإن هذا العمل يحمل تداعيات واقعية كبيرة من حيث الكفاءة. فـ EGC يحقق دقة نموذج أعلى، مع استهلاك أقل للذاكرة والتأخير، بالإضافة إلى خصائص مناسبة للتنفيذ على مسرّعات، مع أنّه يمكن استبداله مباشرةً بالهياكل الحالية دون تعديلات كبيرة. وبما أنه نموذج متجانس، فإن متطلبات الذاكرة فيه تكون متناسبة مع عدد الرؤوس في الرسم البياني ($\mathcal{O}(V)$O(V))، في المقابل، تتطلب النماذج غير المتجانسة ذاكرة متناسبة مع عدد الحواف ($\mathcal{O}(E)$O(E)). ونُظهر أن EGC يتفوق على الأساليب الحالية في 6 مجموعات بيانات كبيرة ومتنوعة، ونختتم بمناقشة الأسئلة التي تطرحها هذه الدراسة للمجتمع في المستقبل. يُمكن الاطلاع على الشفرة والنماذج المُدرّبة مسبقًا المستخدمة في التجارب عبر الرابط: https://github.com/shyam196/egc.