Les caractéristiques structurelles sont des traits importants dans un graphe géométrique. Bien qu'il existe certaines analyses de corrélation des caractéristiques basées sur la covariance, il n'y a pas de recherche pertinente sur l'analyse de corrélation des caractéristiques structurelles à l'aide des réseaux neuronaux de graphe. Dans cet article, nous introduisons des pipelines de prédiction caractéristique à caractéristique (Fea2Fea) dans un espace de faible dimension pour explorer certains résultats préliminaires sur la corrélation des caractéristiques structurelles, qui est basée sur les réseaux neuronaux de graphe. Les résultats montrent qu'il existe une forte corrélation entre certaines des caractéristiques structurelles. Une combinaison non redondante de caractéristiques initiales des nœuds, filtrée par un réseau neuronal de graphe, a amélioré la précision de classification dans certaines tâches basées sur les graphes. Nous comparons les différences entre les méthodes de concaténation pour connecter les plongements entre les caractéristiques et montrons que la méthode la plus simple est la meilleure. Nous généralisons ces résultats sur des graphes géométriques synthétiques et certifions la difficulté de prédiction entre les caractéristiques structurelles.