Selbstüberwachtes Lernen mit Graphen ist ein Ansatz, bei dem Graph Neural Networks (GNNs) genutzt werden, um aus unbeschrifteten Graphdaten sinnvolle Repräsentationen zu lernen.
Dabei werden spezielle Aufgaben konstruiert, wie z. B. das Vorhersagen von fehlenden Kanten, das Rekonstruieren von Knotenattributen oder das Vergleichen von Teilgraphen, um das Modell zu trainieren.
Diese sogenannten Pretext-Tasks erlauben es dem Modell, strukturelle und semantische Informationen des Graphen zu erfassen, ohne auf gelabelte Daten angewiesen zu sein.
Typische Verfahren umfassen Kontrastive Lernmethoden, bei denen positive und negative Beispielsamples erzeugt werden, um die Ähnlichkeit von Knoten oder Graphen zu lernen.
Solche selbstüberwachten Graphmodelle verbessern die Generalisierung auf verschiedene Aufgaben wie Knotenklassifikation, Link-Prediction oder Graphklassifikation.