本稿では、埋め込みベースの推論を強化する構造的非パラメトリックフレームワーク「グラフメモリ（GM）」を紹介します。GMは、各トレーニングインスタンスを孤立して扱わず、プロトタイプノードに信頼性インジケータを注釈付けし、幾何学的および文脈的な関係をエッジで結ぶことで、埋め込み空間を要約します。この設計は、インスタンスリトリーバル、プロトタイプベースの推論、グラフベースのラベル伝播を一つの帰納モデルで統合し、効率的な推論と誠実な説明を実現します。合成データと実データ（乳腺組織病理学を含む）による実験では、GMがkNNやラベルスプレーディングと競合する精度を達成し、サンプル数を大幅に削減しながら、良好なキャリブレーションと滑らかな決定境界を提供することが示されました。GMは、局所的証拠とグローバルな整合性の間の原則的な橋渡しを提供します。