تُعد تصنيفات العقد ضرورية لتقليل الأخطاء في التنبؤ، وموارد التدريب، وتأخير الاستنتاج بشكل شامل في الصناعة. ومع ذلك، يركّز معظم الشبكات العصبية الرسومية (GNN) فقط على أحد أو اثنين من هذه الجوانب. وبذلك، تصبح الجوانب المُتَعَرِّضة للتنازل هي العُلَّة الأقصر في السلة، مما يعيق تطبيقاتها العملية في المهام الصناعية ذات المستوى العالي. تُقدّم هذه الدراسة منهجًا جديدًا للتعلم شبه المُرَقَّب يُسمّى تقليل الانتروبيا الرسومية (GEM) لحل هذه الثلاثية من المشكلات في آنٍ واحد. يُستفيد GEM من تجميعه في خطوة واحدة من عدد كبير من العقد غير المصنفة، مما يجعل دقة تنبؤه مُقارِبةً لشبكات GNN التي تستخدم تبادل رسائل بخطوات متعددة (اثنتين أو أكثر). ويمكن تفكيك GEM لدعم التدريب العشوائي باستخدام عينات صغيرة من الحواف المستقلة، ما يحقق عينات سريعة جدًا وتدريبًا موفرًا للمساحة. وبالرغم من أن تجميعه في خطوة واحدة يكون أسرع في الاستنتاج مقارنة بالشبكات العميقة من نوع GNN، إلا أن GEM يمكن تسريعه إلى حدٍ قصوى من خلال استخلاص تصنيف غير مبني على خطوات (non-hop classifier) باستخدام تقنية تبادل المعرفة عبر الإنترنت. وبالتالي، يُعد GEM خيارًا عمليًا مناسبًا للخدمات التي تُعاني من قيود في زمن الاستجابة وحساسية تجاه الأخطاء، وتعمل على أجهزة ذات موارد محدودة. يمكن الاطلاع على الكود عبر الرابط: https://github.com/cf020031308/GEM.