في الوقت الحاضر، أصبحت الشبكات العصبية الرسومية (GNNs) التي تتبع منهجية تمرير الرسائل هي الطريقة المهيمنة لتعلم البيانات الرسومية. تتطلب النماذج التي تعتمد على هذا المنهج مساحة إضافية لاسترجاع العقد المجاورة باستخدام مصفوفات الجوار، بالإضافة إلى وقت إضافي لدمج الرسائل المتعددة القادمة من العقد المجاورة. ولحل هذه المشكلة، طوّرنا طريقة تُسمى LinkDist، تقوم بتحصيل المعرفة الذاتية من أزواج العقد المرتبطة ودمجها في شبكة متعددة الطبقات (MLP) دون الحاجة إلى دمج الرسائل. أظهرت التجارب على 8 مجموعات بيانات واقعية أن الشبكة MLP المستمدة من LinkDist قادرة على التنبؤ بتصنيف العقدة دون معرفة جوارها، مع تحقيق دقة مقارنة بالشبكات العصبية الرسومية في سياقات التصنيف النقي (semi-supervised) والكامل (full-supervised). علاوة على ذلك، تستفيد LinkDist من مبناها غير القائم على تمرير الرسائل، مما يتيح لنا تحصيل المعرفة الذاتية من أزواج عقد مُستخرجة عشوائيًا بطريقة تقابلية (contrastive)، مما يعزز أداء LinkDist بشكل إضافي.