Los investigadores han recurrido a la cuantificación del modelo para comprimir y acelerar las redes neuronales gráficas (GNNs). Sin embargo, siguen existiendo varios desafíos: (1) las funciones de cuantificación pasan por alto los valores atípicos en la distribución, lo que lleva a un aumento de los errores de cuantificación; (2) la dependencia de modelos docentes de precisión completa resulta en una mayor sobrecarga computacional y de memoria. Para abordar estos problemas, este estudio introduce un nuevo marco llamado redes neuronales gráficas cuantizadas para la clasificación de imágenes (QGNN-IC), que incorpora una nueva función de cuantificación, cuantificación de Pauta (PQ), y dos innovadores métodos de auto-destilación, destilación de cuantificación de atención (AQD) y destilación de cuantificación estocástica (SQD). Específicamente, PQ utiliza las características estadísticas de la distribución para eliminar eficazmente los valores atípicos, promoviendo así una cuantificación detallada y reduciendo los errores de cuantificación. AQD mejora la capacidad de extracción de información semántica al aprender de canales beneficiosos a través de la atención. SQD mejora la robustez de la cuantificación a través de la cuantificación estocástica. AQD y SQD mejoran significativamente el rendimiento del modelo cuantizado con una sobrecarga mínima. Experimentos extensos muestran que QGNN-IC no solo supera los métodos de cuantificación del estado del arte existentes, sino que también demuestra una generalizabilidad robusta.