بعد تطبيق التعلم العميق على البيانات الرسومية، أصبحت الشبكات العصبية الرسومية (GNNs) الطريقة المهيمنة لتصنيف العقد في الرسومات خلال السنوات الأخيرة. لتعيين العقد بعلامات محددة مسبقًا، تُعتمد معظم الشبكات العصبية الرسومية على النهج المتكامل (end-to-end) الخاص بالتعلم العميق، حيث يتم إدخال خصائص العقد إلى النموذج، بينما تُستخدم علامات العقد المصنفة مسبقًا في التعلم المراقب. ومع ذلك، رغم قدرة هذه الأساليب على الاستفادة الكاملة من خصائص العقد والعلاقات بينها، فإنها تتعامل مع العلامات بشكل منفصل، وتجاهل المعلومات الهيكلية المرتبطة بهذه العلامات. لاستغلال المعلومات المتعلقة بالهيكلية العلامة، تُقدّم هذه الورقة طريقة تُسمى 3ference، والتي تُستمد من المراجع عبر التميّز. بشكل محدد، تقوم 3ference باستنتاج العلامة التي يحملها عقدة معينة بناءً على خصائص تلك العقدة مُضافةً إليها خصائص وعلامات العقد المرتبطة بها. وبفضل المعلومات الإضافية المتعلقة بعلامات العقد المرتبطة، تُسجّل 3ference نمط الانتقال بين العلامات عبر العقد، كما أظهرت التحليلات والتصورات اللاحقة. وقد أثبتت التجارب على رسم بياني اصطناعي وسبعة رسومات واقعية أن هذه المعرفة حول الارتباطات العلامة تساعد 3ference على التنبؤ بدقة أكبر باستخدام عدد أقل من المعلمات، وعدد أقل من العقد المصنفة مسبقًا، وبنماذج علامات متنوعة مقارنة بالشبكات العصبية الرسومية التقليدية.