تساعد الرسوم البيانية في تحديد العلاقات بين الكيانات في البيانات. تُمثل هذه العلاقات بواسطة الحواف، والتي توفر غالبًا معلومات إضافية حول السياق يمكن استغلالها لاكتشاف الأنماط في البيانات. تستخدم الشبكات العصبية الرسومية (GNNs) التحيز الاستنتاجي الهيكلي للرسم البياني لتعلم التنبؤ في مهام متنوعة. وتتمثل العملية الأساسية في الشبكات العصبية الرسومية في خطوة تجميع الميزات التي تُنفَّذ على الجيران المحيطين بالعقدة، بناءً على البنية الهيكلية للرسم البياني. إلى جانب ميزاتها الخاصة، تحصل كل عقدة في كل خطوة (hop) على ميزات مجمعة إضافية من جيرانها. تساعد هذه الميزات المجمعة في تحديد درجة التشابه أو الاختلاف بين العقد من حيث التصنيفات، وهي مفيدة في المهام مثل تصنيف العقد. ومع ذلك، في البيانات الواقعية، قد لا تكون ميزات الجيران في مختلف المستويات (hops) مرتبطة بمقاييس العقدة نفسها. وبالتالي، قد يؤدي تجميع الميزات بشكل عشوائي من قبل الشبكة العصبية الرسومية إلى إدخال ميزات ضوضائية، مما يؤدي إلى تدهور أداء النموذج. في هذه الدراسة، نُظهر أن تجميع الميزات بشكل انتقائي من مستويات مختلفة يؤدي إلى أداء أفضل مقارنةً بالتجميع الافتراضي في مهمة تصنيف العقد. بالإضافة إلى ذلك، نقترح معمارية GNN ثنائية الشبكة (Dual-Net GNN) تتضمن نموذجًا تصنيفًا ونموذجًا مُحددًا (selector). يُدرّب نموذج التصنيف على مجموعة جزئية من ميزات العقدة المدخلة للتنبؤ بتصنيف العقدة، بينما يتعلم نموذج المحدد كيفية اختيار المجموعة المثلى من المدخلات التي تُقدَّم إلى نموذج التصنيف لتحقيق أفضل أداء. يتم تدريب النموذجين معًا لاستخلاص أفضل مجموعة من الميزات التي تُحقِّق دقة أعلى في التنبؤ بتصنيفات العقد. وبإجراء تجارب واسعة، نُظهر أن النموذج المقترح يتفوق على طرق اختيار الميزات التقليدية وعلى أحدث النماذج الرسومية العصبية، مع تحسينات ملحوظة تصل إلى 27.8٪.