La Propagation de Labels (LPA) et les Réseaux de Neurones Convolutifs sur Graphes (GCN) sont tous deux des algorithmes d’échange de messages sur les graphes. Ils résolvent tous deux la tâche de classification de nœuds, mais la LPA propage les informations de label des nœuds le long des arêtes du graphe, tandis que le GCN propage et transforme les informations de caractéristiques des nœuds. Cependant, bien qu’ils soient conceptuellement similaires, les relations théoriques entre la LPA et le GCN n’ont pas encore été explorées. Dans cet article, nous étudions la relation entre la LPA et le GCN sous deux angles : (1) l’émiettement des caractéristiques/labels, où nous analysons comment les caractéristiques ou les labels d’un nœud se diffusent parmi ses voisins ; et (2) l’influence des caractéristiques/labels, c’est-à-dire la mesure dans laquelle le label ou la caractéristique initiale d’un nœud influence le label ou la caractéristique final d’un autre nœud. Sur la base d’une analyse théorique, nous proposons un modèle end-to-end unifiant le GCN et la LPA pour la classification de nœuds. Dans notre modèle unifié, les poids des arêtes sont apprenables, et la LPA agit comme une régularisation pour aider le GCN à apprendre des poids d’arêtes appropriés, conduisant à une meilleure performance en classification. Ce modèle peut également être vu comme l’apprentissage de poids d’attention fondés sur les labels des nœuds, ce qui est plus orienté vers la tâche que les modèles d’attention basés sur les caractéristiques existants. Sur plusieurs expériences menées sur des graphes du monde réel, notre modèle montre une supériorité par rapport aux méthodes de pointe basées sur le GCN en termes de précision de classification de nœuds.