تعتمد معظم الهياكل الحالية للشبكات العصبية الرسومية (GNN) على مكونين مهمين: تضمين ميزات العقد من خلال تبادل الرسائل، والتجميع باستخدام شكل خاص من التجميع (pooling). وتحتَّم المعلومات الهيكلية (أو التوبولوجية) بشكل ضمني في هذين الخطوتين. نقترح في هذا العمل منظورًا جديدًا يُركّز على المسافات إلى بعض القوالب الرسومية القابلة للتعلم في قلب تمثيل الرسم البياني. يُبنى هذا التضمين للمسافة باستخدام مسافة النقل الأمثل: مسافة فوسيت جروموفر-واسرستاين (FGW)، التي تُشْرِح بشكل متزامن اختلافات الميزات والهيكل من خلال حل مشكلة مطابقة رسومية لينة. ونفترض أن المتجه المكوّن من مسافات FGW بالنسبة لمجموعة من الرسوم البيانية القوالب يمتلك قدرة تمييزية قوية، والتي تُقدَّم بعدها إلى فاصل غير خطي لإجراء التنبؤات النهائية. يمكن اعتبار التضمين بالمسافة كطبقة جديدة، ويمكن استغلال تقنيات تبادل الرسائل القائمة لتعزيز تمثيلات الميزات المنطقية. وبشكل مثير للاهتمام، فإن المجموعة المثلى من الرسوم البيانية القوالب تُتعلَّم أيضًا بطريقة نهاية إلى نهاية من خلال التمايز عبر هذه الطبقة. وبعد وصف الإجراء المتعلق بالتعلم، نُوجِّه التحقق التجريبي من ادعائنا على عدة مجموعات بيانات تصنيف رسومية اصطناعية وواقعية، حيث تُظهر طريقتنا أداءً تنافسيًا أو أفضل من الأساليب الحديثة المُعتمدة على النواة والشبكات العصبية الرسومية. ونُكمل تجاربنا بدراسة تحليلية للإسقاط (أي تحليل الحساسية) تجاه المعلمات المختلفة.