عند التعامل مع البيانات الجدولية، يُعد نماذج الأشجار القرار خيارًا شائعًا بفضل دقتها العالية في هذه الأنواع من البيانات، وسهولة تطبيقها، وخصائصها القابلة للتفسير. ومع ذلك، فإن تطبيق هذه النماذج بشكل فعّال على البيانات ذات البنية الرسومية (Graph-structured data) لا يزال غير واضح، خصوصًا من حيث دمج المعلومات الطوبولوجية مع البيانات الجدولية المتاحة على الرؤوس (العُقد) في الرسم البياني. ولحل هذه التحديات، نقدم نموذجًا يُسمى TREE-G. يُعد TREE-G تطويرًا للأشجار القرار القياسية، من خلال إدخال دالة فرع جديدة مُصممة خصيصًا للبيانات الرسومية. لا تقتصر هذه الدالة على دمج ميزات العقدة مع المعلومات الطوبولوجية، بل تستخدم أيضًا آلية مؤشر جديدة (pointer mechanism) تسمح للعقدة التي تُجرى عليها عملية التقسيم باستخدام المعلومات المحسوبة في التقسيمات السابقة. وبذلك، تتكيف دالة التقسيم مع المهمة التنبؤية والرسم البياني المُعطى. وقد قمنا بتحليل الخصائص النظرية لـ TREE-G، ونُظهِر فوائده بشكل تجريبي على مجموعة متنوعة من معايير التنبؤ بالرسوم البيانية والرؤوس. وفي هذه التجارب، تفوق TREE-G باستمرار على النماذج الأخرى القائمة على الأشجار، وأحيانًا تفوق حتى خوارزميات التعلم على الرسوم البيانية مثل الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) و kernels الرسومية (Graph Kernels)، أحيانًا بفارق كبير. علاوةً على ذلك، يمكن تفسير نماذج TREE-G وتصور تنبؤاتها بشكل واضح وسهل الفهم.