في هذا البحث، ندرس مشكلة التحقق من القرابة الوجهية من خلال تعلم شبكات الرسم البياني للاستدلال الهرمي. غالبًا ما تركز الأساليب التقليدية على تعلم الخصائص المميزة لكل صورة وجهية في عينة مزدوجة وتغفل كيفية دمج الخصائص المستخرجة من الصورتين الوجهيتين واستدلال العلاقات بينهما. لمعالجة هذه المشكلة، نقترح شبكة استدلال ذات الشكل النجمي (S-RGN). تقوم شبكتنا S-RGN أولاً ببناء رسم بياني على شكل نجمة، حيث يشفر كل عقدة محيطة المعلومات المتعلقة بالمقارنات في بُعد خاص بالخصائص، بينما يتم استخدام العقدة المركزية كجسر للتفاعل بين العقد المحيطة. ثم نقوم بالاستدلال على العلاقات في هذا الرسم البياني النجمي باستخدام تمرير الرسائل التكراري. يستخدم الرسم البياني المقترح S-RGN عقدة مركزية واحدة فقط لتحليل ومعالجة المعلومات من جميع العقد المحيطة، مما يحد من قدرته على الاستدلال. لذلك، طورنا شبكة استدلال هرمية (H-RGN) للاستفادة من قدرات أكثر قوة ومرونة. بشكل أكثر تحديدًا، تقوم شبكتنا H-RGN بتقديم مجموعة من العقد الاستدلالية الكامنة وبناء رسم بياني هرمي معها. ثم يتم تنفيذ استخراج المعلومات المقارنة من الأسفل إلى الأعلى وإرسال الإشارات الشاملة من الأعلى إلى الأسفل بشكل تكراري على الرسم البياني الهرمي لتحديث خصائص العقد. تظهر النتائج التجريبية الواسعة على أربعة قواعد بيانات للقرابة المستخدمة بشكل شائع أن الأساليب المقترحة حققت نتائج تنافسية للغاية.