شبكات الت convolution الرسومية (GCN) هي شبكات عصبية رسومية يتم فيها تطبيق العمليات التلافيفية على الرسم البياني. على عكس الشبكات العصبية التلافيفية التقليدية، تم تصميم GCNs لتنفيذ الاستدلال على الرسوم البيانية، حيث يمكن أن يتغير عدد العقد، كما أن العقد غير مرتبة. في هذه الدراسة، نتناول تحديين مهمين مرتبطين بـ GCNs: الأول، التمويه الزائد (oversmoothing)؛ والثاني، استخدام الخصائص العلاقة بين العقد (أي التمايز المتمايز - heterophily - والتمايز المتماثل - homophily). يشير التمويه الزائد إلى تدهور القدرة التمييزية للعقد نتيجة للتجميع المتكرر. أما التمايز المتمايز فيشير إلى ميل العقد المختلفة من حيث الفئة إلى الاتصال ببعضها، في حين أن التمايز المتماثل يشير إلى ميل العقد المتشابهة إلى الاتصال ببعضها. نقترح استراتيجية جديدة لمعالجة هذه التحديات في GCNs تعتمد على مفهوم الانتقال المعرفي (Transfer Entropy - TE)، والذي يقيس كمية التحويل الموجه للمعلومات بين عقدتين متغيرتين زمنيًا. تشير نتائجنا إلى أن استخدام معلومات التمايز المتمايز للعقدة ومعلومات الدرجة كآلية لاختيار العقد، إلى جانب حسابات TE القائمة على الميزات، يعزز الدقة عبر مختلف نماذج GCN. ويمكن تعديل نموذجنا بسهولة لتحسين دقة تصنيف نموذج GCN. ومع ذلك، يأتي هذا التحسن في الأداء على حساب عبء حسابي كبير عند حساب TE لعدد كبير من عقد الرسم البياني.