في العديد من مهام التعلم الآلي، يتم تدريب النماذج على التنبؤ بالبيانات الهيكلية مثل الرسوم البيانية. على سبيل المثال، في معالجة اللغة الطبيعية، من الشائع جدًا تحليل النصوص إلى أشجار الاعتماد أو رسوم بيانية تمثيل المعنى المجرد (AMR). من ناحية أخرى، تجمع الطرق المجمعة (Ensemble Methods) التنبؤات الناتجة من نماذج متعددة لإنشاء نموذج جديد يكون أكثر متانة ودقة من التنبؤات الفردية. في الأدبيات العلمية، تم اقتراح العديد من تقنيات التجميع للمسائل المتعلقة بالتصنيف أو الانحدار، لكن تجميع التنبؤات الرسومية لم يُدرَس بشكل شامل بعد. في هذا العمل، نُصِّف هذه المشكلة على أنها استخراج أكبر رسم بياني مدعوم بشكل أكبر من قبل مجموعة من التنبؤات الرسومية. وبما أن هذه المشكلة تُعد من النوع NP-صعبة، نقترح خوارزمية تقريبية فعّالة تُقدّر الحل الأمثل. ولتأكيد فعالية نهجنا، أجرينا تجارب على مسائل تحليل AMR. وأظهرت النتائج التجريبية أن النهج المقترح يمكنه دمج قدرات أحدث مُحلّلات AMR لإنشاء تنبؤات جديدة تكون أكثر دقة من أي نموذج فردي في خمسة مجموعات معايير قياسية شائعة.