تُستخدم شبكات الت convolution الرسومية (GCNs) على نطاق واسع في مختلف المهام الرسومية لاستخراج المعرفة من البيانات المكانية. يُعدّ بحثنا المحاولة الأولى من نوعها لدراسة كمية مقاومة GCNs أمام الرسومات المتنوعة (heterophilic) المنتشرة بشكل واسع في تصنيف العقد. ونكتشف أن السبب الرئيسي للضعف هو مشكلة البنية الخارجة عن التوزيع الطبيعي (OOD). وقد دفعت هذه النتيجة إلى اقتراح منهجية جديدة تهدف إلى تعزيز مقاومة GCNs من خلال تعلم تلقائي للهياكل المتجانسة الخفية (Latent Homophilic Structures) على الرسومات المتنوعة. ونُسمي هذه المنهجية LHS. وبتفصيل أكبر، يبدأ عملنا بتعلم بنية خفية باستخدام تقنية تعبير ذاتي جديدة تعتمد على التفاعلات متعددة العقد. ثم يتم تحسين هذه البنية باستخدام نهج تعلّم تبايني ثنائي المنظور مُشَرَّط زوجيًا. ونكرر هذه العملية بشكل تكراري، مما يمكّن نموذج GCN من تجميع المعلومات بطريقة متجانسة على الرسومات المتنوعة. وباستخدام هذه البنية القابلة للتكيف، نتمكن من التخفيف المناسب من التهديدات البنائية الناتجة عن الخروج عن التوزيع الطبيعي على الرسومات المتنوعة. وأظهرت التجارب على مجموعة متنوعة من المعايير فعالية المنهجية المقترحة LHS في بناء GCNs مقاومة.