تم اقتراح التعلم القائم على تمثيل الرسم البياني الفرعي (SGRL) حديثًا للتعامل مع بعض التحديات الأساسية التي تواجه الشبكات العصبية الرسومية التقليدية (GNNs)، وقد أظهرت نتائج متميزة في العديد من التطبيقات المهمة في علوم البيانات، مثل توقع الروابط والعلاقات والأنماط (motifs). ومع ذلك، تعاني الطرق الحالية لـ SGRL من مشكلات في القابلية للتوسع، نظرًا لاحتياجها إلى استخراج الرسوم البيانية الفرعية لكل استعلام تدريبي أو اختباري. ولا يمكن تطبيق الحلول الحديثة التي تُحسّن قابلية التوسع للشبكات العصبية الرسومية التقليدية على إطار SGRL. هنا، نقترح إطارًا جديدًا يُسمى SUREL لتمكين التعلم القائم على الرسم البياني الفرعي القابل للتوسع، من خلال تصميم متكامل للخوارزمية التعلُّمية ودعم النظام المصاحب لها. يعتمد SUREL على تقسيم الرسوم البيانية الفرعية باستخدام طريقة المشي (walk-based decomposition)، ويُعاد استخدام هذه المشي لتكوين الرسوم البيانية الفرعية، مما يقلل بشكل كبير من التكرار في عملية استخراج الرسوم البيانية ويُمكّن من الحساب المتوازٍ. أظهرت التجارب على ستة رُسُوم بيانية متجانسة ومتباينة وعالية الترتيب، تضم ملايين العقد والحواف، فعالية وقابلية توسع SUREL. وبشكل خاص، مقارنةً بأساليب المقارنة (baselines) في SGRL، حقق SUREL تسريعًا بنسبة 10 أضعاف مع أداء تنبؤي مماثل أو حتى أفضل؛ أما مقارنةً بالشبكات العصبية الرسومية التقليدية، فقد حقق SUREL تحسنًا بنسبة 50% في دقة التنبؤ.