أصبحت معظم الطرق الحديثة لتجميع الرسوم البيانية تلجأ إلى المُشَكِّلات التلقائية للرسوم البيانية (GAEs) لتنفيذ التجميع والتعلم التمثيلي معًا. ومع ذلك، تم تجاهل قضيتين بالغتي الأهمية. أولاً، يُؤدّي الخطأ التراكمي الناتج عن التعلّم مع تخصيصات تجميع ضوضائية إلى تدهور كفاءة وثبات نموذج التجميع. ويُعرف هذا المشكل باسم "عشوائية الميزات". ثانيًا، يُوجّه نموذج إعادة بناء مصفوفة الاتصال نحو تعلّم تشابهات غير ذات صلة بالمهام التجميعية. ويُعرف هذا المشكل باسم "انحراف الميزات". ومن المثير للاهتمام أن العلاقة النظرية بين المشكلتين المذكورتين لم تُدرَس بعد. وندرس هذه المشكلات من زاويتين: (1) هناك تناقض متبادل بين عشوائية الميزات وانحراف الميزات عند إجراء التجميع وإعادة البناء على نفس المستوى، و(2) يكون مشكل انحراف الميزات أكثر وضوحًا في نماذج GAE بالمقارنة بنماذج المشكّلات التلقائية التقليدية، وذلك بسبب عملية الت convolution الرسوميّة وتصميم فك التشفير الرسومي. مستوحين من هذه النتائج، نعيد صياغة منهجية التجميع القائمة على GAE. وحلّنا يتكوّن من جزأين: أولاً، نقترح عامل عينة $Ξ$Ξ يُفعّل آلية حماية ضد تخصيصات التجميع الضوضائية. ثانيًا، نقترح عاملًا $Υ$Υ يُفعّل آلية تصحيح ضد انحراف الميزات من خلال تحويل تدريجي للرسم المُعاد بناؤه إلى رسم مُصمم خصيصًا للتجميع. وبفضل ميزاته الأساسية، يوفر حلّنا تحسينًا ملحوظًا في كفاءة وثبات التجميع، ويمكن تكييفه بسهولة مع النماذج الحالية القائمة على GAE.