في مجال الرسوم البيانية، تُعرّض الشبكات العميقة المستندة إلى الشبكات العصبية لنقل الرسائل (MPNNs) أو المحولات الرسومية (Graph Transformers) غالبًا لظاهرة التسطيح الزائد لميزات العقد، مما يحد من قدرتها التعبيرية. وقد تم اقتراح العديد من تقنيات التكبير (upsampling) التي تتضمن تعديل العقد والحواف لتقليل هذه المشكلة. ومع ذلك، فإن هذه الأساليب تتطلب غالبًا جهدًا يدويًا واسعًا، مما يؤدي إلى أداء غير مثالي وغياب استراتيجية تكامل عالمية. في هذه الدراسة، نقدّم UniGAP، وهي تقنية عامة وقابلة للتكيف لتكبير الرسوم البيانية، مصممة خصيصًا للبيانات الرسومية. تُوفّر UniGAP إطارًا عامًا لتكبير الرسوم، بحيث تشمل معظم الأساليب الحالية كأمثلة متعددة. علاوةً على ذلك، تُعد UniGAP مكونًا قابلاً للإدراج (plug-in) يمكن دمجه بسلاسة وتكيف تلقائي مع الشبكات العصبية الرسومية الحالية (GNNs)، مما يعزز الأداء ويقلل من مشكلة التسطيح الزائد. من خلال تجارب واسعة النطاق، أظهرت UniGAP تحسنًا ملحوظًا مقارنةً بطرق التكبير الهيورستية (heuristic data augmentation) عبر مجموعة متنوعة من المجموعات البيانات والمقاييس. وقمنا بتحليل كيفية تطوّر البنية الرسومية مع استخدام UniGAP، وتحديد العقد الحرجة التي تحدث فيها مشكلة التسطيح الزائد، مع تقديم رؤى حول كيفية معالجة UniGAP لهذه المشكلة. وأخيرًا، نُظهر الإمكانات الكامنة في دمج UniGAP مع نماذج اللغة الكبيرة (LLMs) لتحسين الأداء في المهام التالية (downstream). يمكن الاطلاع على الكود الخاص بنا من خلال الرابط التالي: https://github.com/wangxiaotang0906/UniGAP