يُقدّم هذا البحث معمارية جديدة لشبكة عصبية متعددة الطبقات تعتمد على التمثيل القائم على العمق للهيكل الرسومي المستمد من المشي الكمي، ونُسمّيها بالشبكة العصبية المتعددة الطبقات للاستخلاص الفرعي المستندة إلى الكمي (QS-CNNs). وتتميز هذه المعمارية الجديدة بقدرتها على التقاط البنية الهيكلية العالمية للرسم البياني، فضلًا عن البنية المتصلة محليًا داخله. بشكل خاص، نبدأ ببناء عائلة من الرسوم الفرعية الموسعة ذات K طبقات لكل رأس في الرسم البياني باستخدام عملية المشي الكمي، والتي تُمكّن من التقاط معلومات الترتيب الهيكلي العالمي للهياكل الفرعية المحتوية داخل الرسم البياني. ثم نصمم مجموعة من مرشحات الت convolution ذات الحجم الثابت على هذه الرسوم الفرعية، مما يساعد في تمييز الأنماط متعددة المقياس المختبئة في البيانات. وتتمثل الفكرة في تطبيق مرشحات الت convolution على طول مجموعة الرسوم الفرعية الممتدة من رأس معين، بهدف استخراج السمات المحلية، بشكل مشابه لعملية الت convolution القياسية على البيانات الشبكية. وأظهرت التجارب على ثمانية مجموعات بيانات ذات هيكل رسومي أن معمارية QS-CNNs قادرة على تفوق أربعة عشرة طريقة حديثة جدًا في مهام تصنيف الرؤوس وتصنيف الرسوم البيانية.