نتناول تحديين أساسيين في شبكات العصبونات الرسومية (GNNs): (1) نقص الدعم النظري لتعلم الثبات، وهو خاصية حاسمة في معالجة الصور، و(2) غياب نموذج موحد قادر على التفوق في كل من مجموعات البيانات الرسومية المتجانسة والمختلفة. لمعالجة هذه القضايا، نثبت الثبات المكاني في الرسوم البيانية ونوسع هذه الخاصية الرئيسية إلى تعلم الرسوم البيانية، ونتحقق منها من خلال تجارب على مجموعات بيانات حقيقية. باستغلال الرسوم البيانية ذات الاتجاه المتعدد والخوارزميات متعددة المقاييس واستراتيجية الحلقة الذاتية التكيفية، نقترح ScaleNet، وهي هندسة شبكة موحدة تحقق أداءً رائدًا في أربع مجموعات بيانات مرجعية متجانسة واثنتين مختلفتين. بالإضافة إلى ذلك، نوضح أن من خلال تحويل الرسم البياني المستند إلى الثبات المكاني، يمكن استبدال الأوزان الموحدة بالأوزان الحوافية الباهظة الحساب في شبكات الإنبات الموجهة مع الحفاظ على الأداء أو تحسينه. بالنسبة لنهج GNN الشائع الآخر للرسوم البيانية الموجهة، نظهر التكافؤ بين طرق لاپلاسيان الهيرميتيان وGraphSAGE مع التطبيع الحادث. يربط ScaleNet الفجوة بين تعلم الرسوم البيانية المتجانسة والمختلفة، ويقدم رؤى نظرية حول الثبات المكاني وتقدمًا عمليًا في تعلم الرسم البياني الموحد. يتم توفير تنفيذنا بشكل عام على الرابط https://github.com/Qin87/ScaleNet/tree/Aug23.