El aprendizaje adaptativo de grafos se ha convertido en un paradigma ampliamente adoptado para la predicción de series temporales multivariantes cuando la topología física explícita no está disponible. En estos enfoques, las incrustaciones de nodos se utilizan típicamente para construir matrices de adyacencia densas basadas en la similitud por pares, acoplando implícitamente el aprendizaje de representaciones con el modelado relacional. Sin embargo, observamos que bajo configuraciones de entrenamiento idénticas pero diferentes inicializaciones aleatorias, las matrices de adyacencia aprendidas pueden variar sustancialmente mientras que el rendimiento predictivo permanece casi sin cambios, lo que indica que la estructura relacional a menudo está subdeterminado por el objetivo de predicción. Esta observación sugiere un desajuste entre el aprendizaje estructural basado en la similitud y el objetivo de predicción. En este trabajo, revisamos las incrustaciones de nodos desde una perspectiva de aproximación de secuencias y proponemos un módulo de Grafo Adaptativo Diagonal (DiAG) que restringe el aprendizaje adaptativo a elementos diagonales. Los coeficientes diagonales se derivan de predicciones independientes de canal, mientras que las interacciones fuera de la diagonal se construyen a partir de la similitud de las secuencias de entrada. Este diseño desacopla el aprendizaje de representaciones del modelado relacional, permitiendo que las variables cambien adaptativamente entre regímenes independientes de canal y dependientes de canal. Los experimentos en múltiples conjuntos de datos muestran que DiAG mejora el rendimiento de predicción sin modificar las estructuras de soporte independientes de canal. Estos resultados indican que la predicción dependiente del canal se puede lograr como un refinamiento impulsado por la predicción sobre estructuras de soporte independientes de canal, sin requerir estructuras relacionales densas completamente aprendidas.