تعتبر الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) و المحولات الرسومية (Graph Transformers - GTs) من اللبنات الأساسية في مجال التعلم من المخططات، حيث تجمع بين قدرات التعلم العميق مع الكفاءة العالية في استخدام العينات. لكن على الرغم من فعاليتها، فقد أظهرت مجموعة كبيرة من الأبحاث أن النماذج الحالية تواجه قيوداً جوهرية، خاصة في المهام التي تتطلب التقاط العلاقات بين مناطق بعيدة في المخطط.

لمعالجة هذا التحدي، تم تقديم إطار التكرار الهيراركي للمخططات (Graph Hierarchical Recurrence - GHR) كابتكار جديد في هذا المجال. يعمل GHR بشكل مشترك على المخطط المدخل وتجريد هرمي يتم الحصول عليه عبر طرق التجميع. وأظهرت الدراسة أن قيود النماذج الحالية تصبح أكثر وضوحاً في حالة التعميم على مدى بعيد، حيث تتضمن اختبارات الأمثلة تفاعلات تمتد على مسافات طويلة مقارنة بتلك التي تم ملاحظتها أثناء التدريب.

على العكس من ذلك، يوفر GHR، على الرغم من تصميمه البسيط، ثلاثة مزايا رئيسية: أداء قوي في التعامل مع التبعيات طويلة المدى، تحسين التعميم على المسافات الطويلة، وكفاءة عالية في عدد المعلمات. وفقاً للنتائج التي تم تحقيقها عبر مجموعة واسعة من الاختبارات، يتفوق GHR بسرعة على النماذج الرسومية الحالية باستخدام ما يصل إلى 1% فقط من المعلمات المستخدمة في النماذج المتطورة. تشير هذه النتائج إلى اتجاه تكميلية يجسد ضرورة إعادة التفكير في سعة النماذج الحالية وفوائدها في تحقيق التعميم.