أظهرت الشبكات العصبية الرسومية المستندة إلى التمرير التكراري للرسائل على مدى خطوة واحدة أنها تواجه صعوبة في الاستفادة من المعلومات الواردة من العقد البعيدة بشكل فعال. بالمقابل، تسمح نماذج الرسومات المتغيرة (transformers) لكل عقدة بالتركيز مباشرة على جميع العقد الأخرى، ولكنها تعاني من نقص التحيز الاستقرائي للرسومات وتعتمد على الترميز الموضعي العشوائي. في هذا البحث، نقترح معمارية جديدة لحل هذه التحديات. ينبع نهجنا من الاختراقات الحديثة في النمذجة على المدى الطويل التي قدمتها النماذج الفضائية للحالات العميقة: لعقدة الهدف المعطاة، يقوم نموذجنا بتجميع العقد الأخرى حسب أقصر المسافات إليها ويستخدم رNN خطيًا لترميز سلسلة تمثيلات القفز. يتم تحديد رNN الخطي بشكل خاص في شكل قطرى لتحقيق انتشار إشارة مستقر على المدى الطويل وهو ذو تعبيرية نظرية كافية لترميز هرم الجوار. دون الحاجة إلى الترميز الموضعي، نثبت عمليًا أن أداء نموذجنا مكافئ أو أفضل من أداء أفضل نماذج الرسومات المتغيرة (graph transformers) على مجموعة متنوعة من المقاييس ومع تكلفة حسابية أقل بكثير. الكود الخاص بنا متاح كمصدر مفتوح على الرابط https://github.com/skeletondyh/GRED.