يُعدّ خوارزمية توزيع التسميات (Label Propagation Algorithm - LPA) وشبكات العصب العميقة التبادلية الرسومية (Graph Convolutional Neural Networks - GCN) كلاً منهما خوارزميات تمرير الرسائل على الرسوم البيانية. وتحل كلا الخوارزميتين مسألة تصنيف العقد، لكن LPA تُوزّع معلومات تسمية العقد عبر حواف الرسم البياني، بينما تقوم GCN بتمرير وتحويل معلومات ميزات العقد. ومع أن كلا النموذجين يشتركان في المفهوم بشكل مفاهيمي، لم يتم حتى الآن استكشاف العلاقة النظرية بين LPA وGCN. في هذا العمل، ندرس العلاقة بين LPA وGCN من خلال جوانب متعددة: (1) تمويه الميزات/التسميات، حيث نحلل كيفية انتشار ميزة/تسمية عقدة معينة بين جيرانها؛ و(2) تأثير الميزة/التسمية، حيث نقيّم مدى تأثير الميزة/التسمية الأولية لعقدة معينة على الميزة/التسمية النهائية لعقدة أخرى. بناءً على التحليل النظري، نقترح نموذجًا من الطرف إلى الطرف (end-to-end) يوحّد بين GCN وLPA لغرض تصنيف العقد. في النموذج الموحّد، تكون أوزان الحواف قابلة للتعلم، ويُستخدم LPA كعوامل تسوية (regularization) لمساعدة GCN في تعلّم أوزان حواف مناسبة تؤدي إلى تحسين أداء التصنيف. كما يمكن اعتبار نموذجنا كآلية لتعلم أوزان الانتباه (attention weights) بناءً على التسميات، وهي أكثر توجّهًا للمهمة مقارنةً بالنماذج الحالية التي تعتمد على الميزات. وقد أظهرت تجاربنا على مجموعة من الرسوم البيانية الواقعية تفوق نموذجنا على أحدث النماذج القائمة على GCN من حيث دقة تصنيف العقد.