تعلم تمثيل الرسوم البيانية (Graph Embedding Learning) يُعد مهمة أساسية عند التعامل مع مجموعات بيانات متنوعة. وعلى الرغم من النجاح الكبير الذي أظهرته هياكل المُشفّر-المُفكّك (مثل U-Nets) في مهام التنبؤ بالبكسل في الصور، فإن تطبيق أساليب مماثلة على بيانات الرسوم البيانية يواجه تحديات ناتجة عن غياب عمليات التجميع (pooling) والترقية (up-sampling) الطبيعية للرسوم البيانية. وقد استخدمت الأساليب الحديثة المعاملات القابلة للتعلم لاستخراج المعلومات الهيكلية من الشبكات العصبية، وتم توسيع عمليات التجميع والترقية للرسوم البيانية باستخدام ميزات العقد والبيانات الهيكلية للرسم البياني. يقترح هذا البحث نموذجًا جديدًا يُسمى GIUNet (Graph Isomorphism U-Net) لمهام تصنيف الرسوم البيانية. يعتمد الهيكل المُقترح لـ U-Net على الت convolution المتماثل للرسوم البيانية (Graph Isomorphism Convolution)، مع استخدام طبقة pqPooling شاملة. وتُعد طبقة pqPooling في نهجنا فعالة في دمج ميزات العقد والبيانات الهيكلية للرسم البياني أثناء مرحلة تقليل حجم الرسم البياني. ولإدراج معلومات هيكل الرسم البياني، نستخدم كلاً من التمثيل الطيفي (spectral representation) ومقاييس مركزية العقد (node centrality measurements). حيث تُسهم مقاييس مركزية العقد في التقاط جوانب هيكلية مختلفة للعقد في الرسم البياني، في حين يساعد التمثيل الطيفي على التركيز على المكونات منخفضة التردد المفيدة في هيكل الرسم البياني. وبواسطة دراسات التحليل التجريبي (ablation studies)، أثبتنا أن استخدام نموذج GIUNet يؤدي إلى تحسينات كبيرة مقارنة بالأساليب الرائدة في المجال على عدة مجموعات بيانات معيارية.