أظهرت الشبكات العصبية الرسومية (GNNs) نجاحًا في مجالات متعددة في تعلم البيانات ذات البنية الرسومية. تبحث هذه الورقة البحثية في تطبيق تقنيات التجميع (Ensemble Learning) لتحسين الأداء والثبات في الشبكات العصبية الرسومية (GNNs). من خلال تدريب عدة نماذج GNN باستخدام تهيئة أو هندسة متنوعة، نُنشئ نموذجًا مجمّعًا يُسمى ELGNN، والذي يُمكّن من التقاط جوانب متعددة من البيانات، ويستخدم خوارزمية المُقدّر المُنظّم شجريًا (Tree-Structured Parzen Estimator) لتحديد أوزان التجميع. وعند دمج تنبؤات هذه النماذج، يُعزز الدقة الإجمالية، ويقلّل من التحيّز والانحراف، ويُخفّف من تأثير البيانات الضوضائية. تُظهر نتائجنا فعالية تقنيات التجميع في تعزيز قدرات الشبكات العصبية الرسومية لتحليل البيانات المعقدة ذات البنية الرسومية. تم إتاحة الكود المصدر على الرابط: https://github.com/wongzhenhao/ELGNN.