منذ إدخالها، حققت شبكات الانتباه الرسومية نتائج متميزة في مهام تمثيل الرسوم البيانية. ومع ذلك، فإن هذه الشبكات تأخذ بعين الاعتبار فقط العلاقات الثنائية بين العقد، وبالتالي فهي غير قادرة على استغلال التفاعلات من الدرجة الأعلى الموجودة في العديد من مجموعات البيانات الواقعية بشكل كامل. في هذه الورقة، نقدم شبكة الانتباه الخلويّة (CANs)، وهي معمارية عصبية تعمل على بيانات معرفة على رؤوس رسم بياني، حيث تُمثل الرسم البياني كـ "الهيكل الأولي" (1-skeleton) لمعقد خلوي تم إدخاله لالتقاط التفاعلات من الدرجة الأعلى. وبشكل خاص، نستغل الجيران السفليين والعليا، كما يتم ترميزهم في المعقد الخلوي، لتصميم آلية انتباه ذاتيّة مُقنّعة مستقلتين، وبالتالي تعميم استراتيجية الانتباه الرسومي التقليدية. تتميز الطريقة المستخدمة في CANs بالهيكلية التراكمية، وتشمل الخطوات التالية: (أ) خوارزمية رفع تتعلم ميزات الحواف من ميزات العقد؛ (ب) آلية انتباه خلوي لتحديد التوليف الأمثل لميزات الحواف عبر الجيران السفليين والعليا؛ (ج) آلية تجميع حافة تراكمية لاستخراج مجموعة مختصرة وذات معنى من الميزات. أظهرت النتائج التجريبية أن CAN تُعد استراتيجية منخفضة التعقيد، وتنافس نتائج المستوى الرائد في مهام التعلم القائمة على الرسوم البيانية.