Strukturelle Merkmale sind wichtige Eigenschaften in geometrischen Graphen. Obwohl es einige Korrelationsanalysen von Merkmalen auf der Basis der Kovarianz gibt, fehlen relevante Forschungen zur strukturellen Merkmalkorrelation unter Verwendung von Graph-Neuronalen Netzen. In dieser Arbeit führen wir Vorhersagepipelines für die Merkmalszuordnung (Fea2Fea) in einem niedrigdimensionalen Raum ein, um erste Ergebnisse zur strukturellen Merkmalkorrelation zu erzielen, die auf Graph-Neuronalen Netzen basieren. Die Ergebnisse zeigen, dass zwischen einigen strukturellen Merkmalen eine hohe Korrelation besteht. Eine irredundante Merkmalskombination mit anfänglichen Knotenmerkmalen, die durch Graph-Neuronale Netze gefiltert wurde, hat die Klassifikationsgenauigkeit in einigen graphbasierten Aufgaben verbessert. Wir vergleichen Unterschiede zwischen Konkatenationsmethoden bei der Verbindung von Einbettungen zwischen Merkmalen und zeigen, dass die einfachste Methode die beste ist. Wir verallgemeinern dies auf synthetische geometrische Graphen und bestätigen die Ergebnisse hinsichtlich der Vorhersageschwierigkeiten zwischen strukturellen Merkmalen.