لقد ظهرت الشبكات التلافيفية الرسومية (GCNs) كأفضل طريقة حالية لمهام التعلم القائمة على الرسوم البيانية. ومع ذلك، لا يزال تدريب الشبكات التلافيفية الرسومية على نطاق واسع يشكل تحديًا كبيرًا، مما يعيق استكشاف هياكل GCN الأكثر تعقيدًا، ويحد من تطبيقاتها على الرسوم البيانية الكبيرة في العالم الحقيقي. وعلى الرغم من أن من الطبيعي التفكير في تقسيم الرسم البياني والتدريب الموزع لحل هذا التحدي، إلا أن هذا الاتجاه لم يُستكشَف بشكل كافٍ في الدراسات السابقة بسبب قيود التصاميم الحالية. في هذا العمل، نحلل أولًا سبب عدم فعالية التدريب الموزع لـ GCN، ونحدد السبب الجذري في عدد كبير جدًا من العقد الحدودية في كل رسم فرعي مُقسَّم، مما يؤدي بسهولة إلى انفجار تكاليف الذاكرة والاتصال أثناء تدريب GCN. علاوة على ذلك، نقترح طريقة بسيطة وفعالة تُسمى BNS-GCN، والتي تعتمد على عينة عشوائية للعقد الحدودية (Boundary-Node-Sampling) لتمكين تدريب GCN الموزع بكفاءة وقابلية للتوسع. وتوحي التجارب والدراسات التحليلية (ablation studies) بشكل متسق بفعالية BNS-GCN، حيث تُحسِّن الإنتاجية بنسبة تصل إلى 16.2 مرة وتقلل من استخدام الذاكرة بنسبة تصل إلى 58٪، مع الحفاظ على دقة الرسم البياني الكامل. كما تُظهر التحليلات النظرية والتجريبية أن BNS-GCN تتمتع بتوافق أسرع مقارنةً بالطرق القائمة على العينة الحالية. نعتقد أن BNS-GCN قد فتحت نموذجًا جديدًا لتمكين تدريب GCN على نطاق واسع. يمكن الوصول إلى الكود عبر الرابط: https://github.com/RICE-EIC/BNS-GCN.