Con el progreso continuo en ciencia y tecnología, se produce una gran cantidad de datos en todos los campos del mundo en cualquier momento y lugar. Estos datos no están marcados y carecen de información de marcado, mientras que el marcado manual es consumidor de tiempo y laborioso. Aquí, este documento presenta un marco de etiquetado semisupervisado distribuido. Este marco aborda el problema de datos faltantes proponiendo un método de relleno de atributos basado en aprendizaje de subespacios. Además, este documento presenta una estrategia de aprendizaje semisupervisado distribuido que entrena submodelos (modelos privados) dentro de cada subsistema. Finalmente, este documento desarrolla una técnica de fusión de redes neuronales convolucionales gráficas distribuidas con mayor interpretabilidad basada en el mecanismo de atención. Este documento asigna pesos de importancia a los bordes de cada capa en la red neuronal gráfica basada en submodelos y datos públicos, lo que permite una atención convolucional gráfica distribuida e interpretable. Experimentación extensa utilizando conjuntos de datos públicos demuestra la superioridad del esquema propuesto sobre otras líneas de base de vanguardia, logrando una reducción en la pérdida del 50% en comparación con el enfoque original.