أظهرت الشبكات العصبية الرسومية (GNNs) نجاحًا في التعلم من البيانات ذات البنية الرسومية التي تحتوي على معلومات الميزات الخاصة بالعقد أو الحواف، وذلك بتطبيقات في الشبكات الاجتماعية، والتوصية، وكشف الاحتيال، واستنتاج المعرفة في الرسومات المعرفية. وفي هذا السياق، تم اقتراح استراتيجيات مختلفة في الماضي لتحسين التعبيرية في الشبكات العصبية الرسومية. على سبيل المثال، يُعد أحد الخيارات البسيطة هو زيادة حجم المعلمات من خلال توسيع البُعد المخفي أو زيادة عدد طبقات GNN. ومع ذلك، فإن الطبقات المخفية الواسعة قد تؤدي بسهولة إلى التعلم الزائد (overfitting)، بينما قد تؤدي إضافة طبقات GNN بشكل تدريجي إلى ظاهرة التسطيح الزائد (over-smoothing). في هذا البحث، نقدم منهجية لا تعتمد على النموذج (model-agnostic)، تُسمى "الشبكة داخل الشبكة العصبية الرسومية" (NGNN)، والتي تسمح لأي نموذج GNN بزيادة قدرته التعبيرية من خلال جعل النموذج أعمق. ولكن بدلًا من إضافة طبقات GNN أو توسيعها، تقوم NGNN بعمق النموذج عن طريق إدراج طبقة أو أكثر من الشبكات العصبية التغذوية العكسية غير الخطية (non-linear feedforward neural network layers) داخل كل طبقة GNN. أظهر التحليل المطبق لنموذج NGNN على نموذج GraphSage الأساسي باستخدام بيانات ogbn-products أن النموذج يظل مستقرًا تجاه الاضطرابات في ميزات العقد أو في بنية الرسم البياني. علاوةً على ذلك، أظهرت نتائج التقييم الواسعة في مهام تصنيف العقد والتنبؤ بالروابط أن NGNN تعمل بكفاءة عالية عبر مجموعة متنوعة من هياكل GNN. على سبيل المثال، ساهمت NGNN في تحسين دقة الاختبار لـ GraphSage على بيانات ogbn-products بنسبة 1.6٪، وتحسين مؤشر hits@100 لنموذج SEAL على ogbl-ppa بنسبة 7.08٪، وزيادة مؤشر hits@20 لنموذج GraphSage+Edge-Attr على ogbl-ppi بنسبة 6.22٪. وفي وقت إرسال هذا البحث، حققت NGNN مركزين أولين في قائمة التصنيف الخاصة بمهام التنبؤ بالروابط على منصة OGB.