النمط السائد في التعلم الآلي على الرسوم البيانية يستخدم شبكات عصبية رسومية تمرير الرسائل (MP-GNNs)، حيث يتم تحديث تمثيلات العقد عن طريق تجميع المعلومات في جوارها المحلي. في الآونة الأخيرة، أصبح هناك محاولات متزايدة لتعديل بنية المُحَوِّل (Transformer) لتناسب الرسوم البيانية، بهدف التغلب على بعض القيود المعروفة لـ MP-GNN. ومن الجوانب الصعبة في تصميم محولات الرسوم البيانية هو دمج البنية العشوائية للرسم البياني في البنية المعمارية. نقترح في هذا العمل ما يُسمى بـ "مُفرِّق الرسوم البيانية" (Graph Diffuser - GD) لمعالجة هذه التحديات. يتعلم GD استخلاص العلاقات الهيكلية والموضعية بين العقد البعيدة في الرسم البياني، ثم يستخدم هذه العلاقات لتوجيه انتباه المُحَوِّل وتحديث تمثيلات العقد. نُظهر من خلال الدراسات أن الشبكات العصبية الرسومية الحالية (GNNs) ومحولات الرسوم البيانية تعاني من صعوبة في التقاط التفاعلات طويلة المدى، بينما يتمكن مُفرِّق الرسوم البيانية من القيام بذلك مع إمكانية تصورات بصرية مفهومة وواضحة. وقد أظهرت التجارب على ثمانية معايير مختلفة أن مُفرِّق الرسوم البيانية نموذج قوي للغاية، ويتفوق على أحدث النماذج في مجموعة متنوعة من المجالات.