حصلت الشبكات التلافيفية الرسومية (GCNs) على اهتمام كبير وتحولت إلى طرق واعدة لتعلم تمثيلات الرسوم البيانية. ومع ذلك، تعاني معظم هذه الشبكات من فقدان الأداء عند زيادة عمق النموذج، تمامًا كما يحدث في الشبكات العصبية التلافيفية (CNNs) إذا لم تُصمم الهياكل بشكل خاص، فإن أداء الشبكة ينخفض بسرعة. يرى بعض الباحثين أن حجم الجيران المطلوب وعمق الشبكة العصبية هما جانبيان مستقلان تمامًا في تمثيل الرسوم البيانية. وبالتالي، اقترح عدد من الطرق توسيع نطاق الجيران من خلال دمج جيران العقدة على بعد k خطوة، مع استخدام شبكات عصبية سطحية. ومع ذلك، لا تزال هذه الطرق تعاني من مشكلة التمويه الزائد (oversmoothing)، بالإضافة إلى تكاليف حسابية وتخزينية عالية. في هذا البحث، نستخدم نواة التشتت الماركوفية لاستخلاص نسخة معدلة من الشبكة التلافيفية الرسومية تُسمى التلافيف الرسومي الطيفي البسيط (S²GC)، والتي ترتبط ارتباطًا وثيقًا بالنماذج الطيفية، وتحتفظ بفوائد الطرق المكانية والطيفية معًا. تُظهر تحليلاتنا الطيفية أن التلافيف الرسومي الطيفي البسيط المستخدم في S²GC يعمل كمرشح منخفض التردد، ويقسم الشبكات إلى عدد قليل من الأجزاء الكبيرة. وتوحي تقييماتنا التجريبية بأن S²GC، عند استخدام متعلم خطي، يُظهر أداءً تنافسيًا في مهام تصنيف النصوص وتصنيف العقد. علاوة على ذلك، يُظهر S²GC أداءً مماثلًا للطرق الرائدة الأخرى في مهام تجميع العقد وتوقع المجتمعات.