تصنيف العقد وتصنيف الرسم البياني هما مشكلتان في تعلم الرسم البياني يُقصَد بهما التنبؤ بتصنيف علامة عقدة وتصنيف علامة رسم بياني على التوالي. يمثل عقدة في الرسم البياني غالبًا كيانًا حقيقيًا، مثل مستخدم في شبكة اجتماعية أو بروتين في شبكة تفاعلات البروتينات. في هذا العمل، نعتبر إعدادًا أكثر تحديًا ولكنه مفيد عمليًا، حيث يكون العقدة نفسها مثالًا لرسم بياني. وهذا يؤدي إلى منظور رسم بياني متدرج يظهر في العديد من المجالات مثل الشبكات الاجتماعية والبيولوجية ومجموعات الوثائق. على سبيل المثال، في شبكة اجتماعية، يتكون مجموعة من الأشخاص ذوي الاهتمامات المشتركة إلى مجموعة مستخدمين، بينما تتصل العديد من مجموعات المستخدمين عبر التفاعلات أو الأعضاء المشتركين.ندرس مشكلة تصنيف العقد في الرسم البياني المتدرج حيث تكون "العقدة" مثالاً لرسم بياني، مثل مجموعة المستخدمين في المثال أعلاه. نظرًا لأن العلامات غالبًا ما تكون محدودة في البيانات الحقيقية، فقد صممنا حلين شبه إشرافيين جديدين يُطلق عليهما \underline{SE}mi-supervised gr\underline{A}ph c\underline{L}assification via \underline{C}autious/\underline{A}ctive \underline{I}teration (أو SEAL-C/AI اختصارًا). يستخدم SEAL-C/AI إطارًا تكراريًا يتم فيه بناء أو تحديث تصنيفين بالتناوب، أحدهما يعمل على مستوى مثال الرسم البياني والآخر على مستوى الرسم البياني المتدرج.لتبسيط تمثيل الرسم البياني المتدرج، نقترح طريقة جديدة للغرس الإشرافي الذاتي للرسم البياني تُعرف باسم SAGE (Self-Attentive Graph Embedding)، والتي تقوم بغرس أمثلة الرسوم البيانية ذات الحجم غير المحدد إلى متجهات ذات طول ثابت. من خلال التجارب على بيانات اصطناعية وعلى بيانات Tencent QQ group (مجموعة Tencent QQ)، أظهرنا أن SEAL-C/AI ليس فقط يتفوق على الطرق المنافسة بمعدل كبير فيما يتعلق بدقة Macro-F1 (الدقة الكبيرة-إف 1)، بل إنه أيضًا يولد تفسيرات ذات معنى للتمثيلات المُتعلمة.