La Computación Granular es un paradigma poderoso de procesamiento de información, particularmente útil para la síntesis de sistemas de reconocimiento de patrones en dominios estructurados (por ejemplo, gráficos o secuencias). Según este paradigma, los gránulos de información desempeñan el papel crucial de describir el proceso subyacente (posiblemente complejo), comenzando desde los datos disponibles. Bajo un punto de vista de reconocimiento de patrones, los gránulos de información pueden ser explotados para la síntesis de espacios de incrustación semánticamente sólidos, donde problemas comunes supervisados o no supervisados pueden ser resueltos a través de algoritmos estándar de aprendizaje automático. En este trabajo, mostramos una comparación entre diferentes estrategias para la síntesis automática de gránulos de información en el contexto de clasificación de gráficos. Estas estrategias difieren principalmente en la topología específica adoptada para los subgráficos considerados como gránulos de información candidatos y la posibilidad de usar o ignorar las etiquetas de clase de verdad en el proceso de granulación. Los resultados computacionales en 10 conjuntos de datos diferentes de acceso abierto muestran que al utilizar una granulación consciente de la clase, las actuaciones tienden a mejorar (independientemente de la topología de los gránulos de información), contrarrestada por un posible mayor número de gránulos de información.