أظهرت الشبكات العصبية لنقل الرسائل نجاحًا كبيرًا في البيانات ذات الهيكل الرسومي. ومع ذلك، هناك العديد من الحالات التي يمكن أن يؤدي فيها نقل الرسائل إلى تسطيح زائد أو فشل عندما تكون العقد المجاورة تنتمي إلى فئات مختلفة. في هذه الدراسة، نقدّم إطارًا بسيطًا ولكن عامًا لتحسين التعلم في الشبكات العصبية لنقل الرسائل. تعتمد طريقةنا على تكبير الحواف في الرسم البياني الأصلي من خلال إضافة "عُقد بطيئة" على كل حافة، والتي تُمكّن من التوسط في الاتصال بين العقدة المصدرية والعقدة الهدفية. تُعدّ طريقتنا تغييرًا طفيفًا في الرسم البياني المُدخل، مما يجعلها سهلة الاستخدام وقابلة للتكامل مباشرة مع النماذج الحالية دون الحاجة إلى تعديلات كبيرة. ولفهم الفوائد الناتجة عن تبطيء عملية نقل الرسائل، نقدّم تحليلين نظريين وتجريبيين. ونُقرّر النتائج على عدة معايير مُراقبة وغير مُراقبة، ونُظهر تحسينات ملحوظة في جميع المجالات، وبخاصة في الظروف الهيبرفيلية حيث تكون العقد المجاورة أكثر احتمالًا لامتلاك تسميات مختلفة. وأخيرًا، نُظهر كيف يمكن استخدام هذه الطريقة لتقديم توليد توليدات (augmentations) للتعلم غير المُراقب، حيث يتم إدخال العقد البطيئة عشوائيًا على حواف مختلفة في الرسم البياني لتكوين وجهات متعددة المقياس ذات أطوال مسارات متغيرة.