Label Propagation (LPA) und Graph Convolutional Neural Networks (GCN) sind beide Nachrichtenübertragungsalgorithmen auf Graphen. Beide lösen die Aufgabe der Knotenklassifizierung, wobei LPA jedoch Label-Informationen über die Kanten des Graphen propagiert, während GCN Knotenmerkmale propagiert und transformiert. Obwohl die Konzepte ähnlich sind, wurde bisher noch keine theoretische Beziehung zwischen LPA und GCN untersucht. In dieser Arbeit untersuchen wir die Beziehung zwischen LPA und GCN anhand zweier Aspekte: (1) Merkmals-/Label-Glättung, bei der analysiert wird, wie das Merkmal oder Label eines Knotens auf seine Nachbarn verteilt wird; und (2) Merkmals-/Label-Einfluss, der angibt, inwieweit das ursprüngliche Merkmal oder Label eines Knotens das endgültige Merkmal oder Label eines anderen Knotens beeinflusst. Aufgrund unserer theoretischen Analyse schlagen wir ein end-to-end-Modell vor, das GCN und LPA für die Knotenklassifizierung vereint. In unserem vereinheitlichten Modell sind die Kantengewichte lernbar, wobei LPA als Regularisierung dient, um GCN bei der Lernung sinnvoller Kantengewichte zu unterstützen, die eine verbesserte Klassifizierungsleistung ermöglichen. Unser Modell kann zudem als Lernen von Aufmerksamkeitsgewichten basierend auf Knotenlabels interpretiert werden, was es task-orientierter macht als bestehende merkmalsbasierte Aufmerksamkeitsmodelle. In einer Reihe von Experimenten an realen Graphen zeigt unser Modell eine Überlegenheit gegenüber aktuellen state-of-the-art-GCN-basierten Methoden hinsichtlich der Genauigkeit der Knotenklassifizierung.