تشمل مجموعة واسعة من مشكلات التعلم الآلي معالجة البيانات ذات البنية الرسومية (graph-structured data). ومع ذلك، فإن الطرق الحالية للتعلم الآلي على الرسومات غالبًا ما تتطلب حساب قياسات التشابه الرسومي المكلفة، أو معالجة مسبقة للرسومات المدخلة، أو ترتيبًا صريحًا لعُقد الرسومات. في هذه الدراسة، نقدّم معمارية جديدة ومبسطة لشبكة عصبية تلافيفية (convolutional neural network) للتعلم المراقب على الرسومات، وهي مضمونة التمايز (provably invariant) تجاه تبديل عُقد الرسومات. تعتمد المعمارية المقترحة على معالجة الرسومات العشوائية مباشرةً دون الحاجة إلى أي ترتيب للعُقد. كما تستخدم مُشَبَّكًا عصبيًا متعدد الطبقات بسيطًا (multi-layer perceptron) للتنبؤ، بدلًا من استخدام طبقات التلافيف التقليدية الشائعة في النماذج العميقة الأخرى للرسومات. وعلى الرغم من بساطتها، تُظهر المعمارية المقدمة أداءً تنافسيًا مع أحدث نماذج كيرنيلات الرسومات (graph kernels) والشبكات العصبية للرسومات على مجموعات بيانات معيارية لتصنيف الرسومات. كما تتفوّق بشكل واضح على خوارزميات التعلم العميق الأخرى للرسومات في عدة مهام تصنيف متعدد الفئات. وقد قُمنا أيضًا بتقييم أسلوبنا على تطبيق واقعي أصلي في علوم المواد، حيث تحقّق نتائج ممتازة وواعدة جدًا.