حققت شبكات العصبونات الرسومية (GNNs) نجاحًا كبيرًا في تعلم تمثيلات أفضل من خلال أداء انتشار وتحويل الخصائص بشكل متكرر للاستفادة من معلومات الجوار. ومع ذلك، فإن الانتشار المتكرر يقيّد نقل وتجميع معلومات جوار الطبقات العليا عبر جوار الطبقات السفلية، مما يؤدي حتماً إلى تسوية الخصائص بين الجوار في الطبقات المختلفة ويمكن أن يقوض الأداء، خاصة على الشبكات ذات التشابه المنخفض (heterophily networks). علاوة على ذلك، فإن معظم شبكات GNN العميقة تعترف بأهمية جوار الطبقات العليا ولكنها لم تستكشف بعد أهمية التبعية متعددة القفز (multi-hop dependency) في سياق جوار الطبقات المختلفة عند تعلم تمثيلات أفضل. في هذا العمل، قمنا أولاً بتحليل نظري للتسوية بين الخصائص في الجوار المختلفة وثبتنا عملياً التباين في مستوى التشابه عبر الجوار في الطبقات المختلفة. مستوحى من هذه التحليلات، اقترحنا طريقة تحلل الشجرة لفصل الجوار في الطبقات المختلفة لتخفيف التسوية بين هذه الطبقات. بالإضافة إلى ذلك، قمنا بتوصيف التبعية متعددة القفز من خلال الانتشار الرسومي ضمن صيغتنا لتحليل الشجرة لبناء شبكة عصبونية رسومية مقسمة إلى شجرة (TDGNN)، والتي يمكنها دمج المعلومات بمرن من مجالات استقبال كبيرة وتجميع هذه المعلومات باستخدام التبعية متعددة القفز. أظهرت التجارب الشاملة الأداء المتفوق لـ TDGNN على كل من الشبكات ذات التشابه العالي والشبكات ذات التشابه المنخفض تحت مجموعة متنوعة من إعدادات تصنيف العقد. كما أبرزت تحليل المعلمات الواسع قدرة TDGNN على منع الإفراط في التسوية ودمج خصائص الطبقات الضحلة مع التبعيات متعددة القفز الأعمق، مما يقدم رؤى جديدة نحو شبكات العصبونات الرسومية الأعمق. كود TDGNN: http://github.com/YuWVandy/TDGNN