Cet article étudie l'estimation post-réduction des matrices de poids des réseaux neuronaux graphiques (GNN) dans des contextes de haute dimension comportant des groupes de variables fortement, faiblement et non informatives. Nous considérons un modèle à propagation sur graphe et développons un estimateur post-réduction qui interpole entre un estimateur surajusté et un estimateur sous-ajusté ne tenant compte que des groupes forts (strong-only), afin d'équilibrer le biais et la variance. Nous construisons un cadre de Monte Carlo sous des conditions de parcimonie structurée et de topologies de graphes multiples. Nous en évaluons la performance à l'aide du risque quadratique et de l'erreur quadratique moyenne relative comme fonction de l'écart par rapport au modèle restreint. Les résultats montrent que, si l'estimation « strong-only » offre les meilleures performances en l'absence de signaux faibles, la stratégie proposée reste stable et présente un risque moindre dans les régimes de signaux modérés et faibles.