باستخدام البنية الرسومية، برزت الشبكات العصبية الرسومية (GNN) كنموذج مفيد للبيانات القائمة على الرسومات. وعلى الرغم من الاعتقاد الشائع بأن الشبكات العصبية الرسومية تتفوق على الشبكات العصبية البسيطة، تُظهر الأبحاث الحديثة أن هناك بعض المجموعات البيانات التي تتفوق فيها الشبكات العصبية التقليدية على الشبكات العصبية الرسومية. ويعتبر التباين (Heterophily) أحد الأسباب الرئيسية لانخفاض أداء الشبكات العصبية الرسومية، وقد تم اقتراح العديد من النماذج لمعالجة هذه المشكلة. علاوة على ذلك، تُهمل في كثير من الأحيان معلومات داخلية مهمة موجودة في البنية الرسومية، مثل اتجاه الحواف. في هذه الدراسة، نقترح نموذجًا يُسمى GNNDLD، الذي يستغل اتجاه الحواف وتوزيع التسميات المحيطة بالعقدة في جيرانها المختلفة (على حسب عدد الخطوات "hop-wise"). ونقوم بدمج الميزات من جميع الطبقات للحفاظ على كل من المكونات ذات التردد المنخفض (low-pass frequency) والتردد العالي (high-pass frequency) للعقدة، لأن الطبقات المختلفة للشبكات العصبية توفر أنواعًا مختلفة من المعلومات. بالإضافة إلى ذلك، لتجنب مشكلة التمويه الزائد (oversmoothing)، نفصل عمليات تجميع ميزات العقدة عن عمليات التحويل. وبدمج جميع هذه المفاهيم، نقدم نموذجًا بسيطًا ولكنه فعّال جدًا. وأظهرت التجارب على ستة مجموعات بيانات حقيقية قياسية تفوق GNNDLD على النماذج الرائدة في المجال، سواء في الحالات ذات التماثل (homophily) أو الحالات ذات التباين (heterophily).