شبكات التجميع الرسومية (GCNs)، التي تستخدم نموذج تبادل الرسائل مع طبقات تجميع متراكمة، هي أساليب أساسية لتعلم تمثيلات الرسوم البيانية. ومع ذلك، فإن النماذج الحديثة لـ GCN تستفيد من تقنيات مختلفة للاتصال المتبقي لتخفيف مشكلة تدهور النموذج مثل الإفراط في التسوية وانهيار التدرج. ومع ذلك، فشلت التقنيات الحالية للاتصال المتبقي في الاستفادة الواسعة من البنية الأساسية للرسم البياني كما هو الحال في المجال الطيفي للرسم البياني، وهو أمر حاسم للحصول على نتائج مرضية على الرسوم البيانية غير المتجانسة. في هذا البحث، نقدم ClenshawGCN، وهو نموذج GNN يستخدم خوارزمية جمع كلنشاو لتعزيز قوة تعبير نموذج GCN. يزوّد ClenshawGCN النموذج القياسي لـ GCN بمودولين بسيطين للاتصال المتبقي: الاتصال المتبقي الأولي التكيفي والاتصال المتبقي من الدرجة الثانية السالب. نوضح أن إضافة هذين المودولين يمكّن ClenshawGCN من محاكاة مرشح متعدد الحدود ضمن أساس شيبشيف، مما يمنحه قوة تعبيرية على الأقل مساوية لقوة شبكات GNN الطيفية المتعددة الحدود. بالإضافة إلى ذلك، أجرينا تجارب شاملة لإظهار تفوق نموذجنا على شبكات GNN الفضائية والطيفية.