تمثّل الشبكات العصبية الرسومية (GNNs) الشبكات العصبية المستخدمة لتعلم تمثيل البيانات ذات البنية الرسومية، والتي تُبنى في معظمها عن طريق تجميع طبقات الت convolution الرسومية. وبما أن تجميع طبقات متعددة (n طبقة) يعادل نقل معلومات العقد المجاورة على مسافة n خطوات (n-hop)، فإن نماذج GNNs تتطلب عددًا كبيرًا من الطبقات لتعلم الرسوم البيانية الكبيرة. ومع ذلك، فإن هذا يُعدّ عادةً سببًا في تدهور أداء النموذج بسبب مشكلة تُعرف بـ "التجانس الزائد" (over-smoothing). في هذا البحث، قمت بعرض نموذج GNN جديد، يعتمد على تجميع شبكات عصبية أمامية (feedforward neural networks) مزودة ببنية توجيه (gating structures) باستخدام تقنيات GCNs، بهدف معالجة مشكلة التجانس الزائد، وبالتالي التغلب على الصعوبة التي تواجه نماذج GNN في تعلم الرسوم البيانية الكبيرة. أظهرت نتائج التجارب أن الطريقة المقترحة تحسّن دقة التنبؤ بشكل متجانس حتى 20 طبقة دون حدوث تجانس زائد، في حين أن الطريقة التقليدية أظهرت هذا التدهور في نطاق من 4 إلى 8 طبقات. وفي تجربتين على رسم بياني كبير، تضمنت مجموعة بيانات PPI، التي تُعد معيارًا معياريًا لتصنيف العقد بشكل استنتاجي (inductive node classification)، والتطبيق على نموذج بديل (surrogate model) لطرق العناصر المحدودة (finite element methods)، حققت الطريقة المقترحة أعلى دقة مقارنةً بالطرق الحالية، وبخاصة بلغت دقة حديثة ومتقدمة بلغت 99.71% على مجموعة بيانات PPI.