Las redes neuronales gráficas (GNNs) han logrado un éxito notable en la predicción estructurada, debido a la poderosa capacidad de las GNNs para aprender representaciones gráficas expresivas. Sin embargo, la mayoría de estos trabajos aprenden representaciones gráficas basadas en un gráfico estático construido por un analizador existente, lo que conlleva dos inconvenientes: (1) el gráfico estático podría ser propenso a errores, y los errores introducidos en el gráfico estático no pueden corregirse y podrían acumularse en etapas posteriores, y (2) la etapa de construcción del gráfico y la etapa de aprendizaje de representaciones gráficas están separadas, lo que afecta negativamente la velocidad de ejecución del modelo. En este artículo, proponemos un marco de aprendizaje de gráfico dinámico basado en el aprendizaje conjunto y lo aplicamos a dos tareas típicas de predicción estructurada: análisis de dependencia sintáctica, que tiene como objetivo predecir un árbol etiquetado, y análisis de dependencia semántica, que tiene como objetivo predecir un gráfico etiquetado, para aprender conjuntamente la estructura del gráfico y las representaciones gráficas. Se realizan experimentos en cuatro conjuntos de datos: Universal Dependencies 2.2, Chinese Treebank 5.1, English Penn Treebank 3.0 en 13 idiomas para análisis de dependencia sintáctica, y el conjunto de datos SemEval-2015 Task 18 en tres idiomas para análisis de dependencia semántica. Los resultados experimentales muestran que nuestro modelo de mejor rendimiento logra un nuevo rendimiento de vanguardia en la mayoría de los conjuntos de idiomas de análisis de dependencia sintáctica y semántica. Además, nuestro modelo también tiene una ventaja en velocidad de ejecución sobre el modelo de aprendizaje basado en gráfico estático. El excelente rendimiento demuestra la efectividad del marco propuesto en la predicción estructurada.