우리는 Network Usable Information (NUI) 패러다임을 그래프 수준 학습(graph-level learning)으로 확장하는 그래프 분류 프레임워크인 NetinfoGC를 제안합니다. 블랙박스 임베딩 (black-box embeddings)의 엔드투엔드 (end-to-end) 학습에 의존하는 기존의 그래프 신경망 (GNN) 접근 방식과 달리, NetinfoGC는 전파 기반 메커니즘 (propagation-based mechanisms)과 그래프 중심성 지표 (graph centrality measures)를 포함한 고전적인 구조적 기술자 (structural descriptors)로부터 유도된 순열 불변 (permutation-invariant) 그래프 표현들의 제품군을 구축합니다. 표현의 품질을 평가하기 위해, 우리는 지도 학습 (supervised learning) 없이도 작업 관련 정보를 대리할 수 있도록, 정답 레이블 (ground-truth labels)과의 클러스터링 일관성 (clustering consistency)에 기반한 학습이 필요 없는 NUI 추정 절차를 도입합니다. 나아가 우리는 sparse-group LASSO 정규화 (regularization)를 사용하여 동일한 표현들을 활용함으로써, 중복된 기술자는 억제하고 정보가 풍부한 구조적 기술자를 자동으로 선택할 수 있게 합니다. 벤치마크 데이터셋에 대한 실험 결과, 고전적인 중심성 지표가 학습된 전파 기반 표현들과 매우 경쟁력 있는 성능을 보이며, 여러 사례에서 더 우수한 성능을 나타냄을 확인했습니다. 또한, 추정된 NUI와 다운스트림 분류 정확도 (downstream classification accuracy) 사이에 강한 상관관계가 있음을 관찰하였으며, 이를 통해 NUI가 표현 유용성 (representation utility)의 효과적인 척도임을 검증했습니다. 종합적으로, NetinfoGC는 엔드투엔드 신경망 학습을 요구하지 않고도 그래프 표현을 평가하고 활용할 수 있는 통합적이고 해석 가능한 프레임워크를 제공합니다.