أثبتت الشبكات العصبية الرسومية (GNNs) قوتها في المهام المرتبطة بالرسوم البيانية. ومع ذلك، فإن العديد من الرسوم البيانية في العالم الحقيقي تكون متباينة التوجه (heterophilous)، مما يُحدّ من افتراض التقارب (homophily) الذي تعتمده الشبكات العصبية الرسومية الكلاسيكية. ولحل مشكلة الشمولية، اعتمدت العديد من الدراسات على تعميق الشبكات أو دمج التمثيلات الوسيطة، لكن هذه الطرق لا تغيّر جوهر عملية تجميع الجيران، وتشمل في الوقت نفسه ضوضاء. وقد اقترح بعض الدراسات الحديثة مقاييس جديدة لوصف التقارب، لكنها نادراً ما تأخذ بعين الاعتبار الارتباط بين هذه المقاييس والنماذج. في هذه الورقة، نحن نُصمم أولًا مقياسًا جديدًا يُسمى "التقارب الجارِي" (Neighborhood Homophily - NH) لقياس تعقيد أو نقاء التصنيفات في جيران العقدة. وبعدها، نُدمج هذا المقياس في هيكل الشبكة التلافيفية الرسومية الكلاسيكية (GCN)، ونُقدّم نموذجًا يُسمى "الشبكة التلافيفية الرسومية القائمة على التقارب الجارِي" (NHGCN). في هذا الإطار، يتم تصنيف الجيران بناءً على قيم NH المقدرة، وتُجرى عملية تجميعها من قنوات مختلفة، ثم تُستخدم التنبؤات الناتجة عن العقدة لتقدير وتحديث قيم NH بشكل تتابعي. وتتم عملية تحسين المقياس وتحسين الاستدلال النموذجي بشكل متكرر ومتبادل، بهدف تحسين تصنيف العقد. وقد حقق NHGCN أفضل أداء عام على كل من المعايير ذات التقارب والمتباينة، مع تحسن يصل إلى 7.4% مقارنة بأفضل النماذج الحالية (SOTA).