多くの機械学習タスクにおいて、モデルはグラフなどの構造データの予測を行うように訓練される。例えば自然言語処理では、テキストを依存構造木や抽象意味表現（AMR）グラフに変換することは非常に一般的である。一方、アンサンブル手法は複数のモデルの予測を統合し、個々の予測よりもより堅牢で精度の高い新たな予測モデルを構築する手法である。これまでの文献には、分類や回帰問題に対する多数のアンサンブル手法が提案されてきたが、グラフ予測に対するアンサンブル手法については十分に研究されていない。本研究では、この問題を、複数のグラフ予測の集合から最も支持されている最大のグラフを抽出する問題として形式化する。この問題はNP困難であるため、最適解を近似する効率的なヒューリスティックアルゴリズムを提案する。提案手法の有効性を検証するために、AMR解析問題を対象に実験を行った。実験結果から、提案手法が最先端のAMRパーサーの強みを統合し、5つの標準ベンチマークデータセットにおいて、個々のモデルよりも高い精度を持つ新たな予測を生成できることを示した。