El aprendizaje auto-supervisado con grafos es un enfoque en el que se utilizan redes neuronales de grafos (GNNs) para aprender representaciones significativas a partir de datos de grafos no etiquetados.
Para ello, se construyen tareas específicas, como predecir aristas faltantes, reconstruir atributos de nodos o comparar subgrafos, para entrenar el modelo.
Estas llamadas tareas preliminares permiten que el modelo capture información estructural y semántica del grafo sin depender de datos etiquetados.
Los métodos típicos incluyen técnicas de aprendizaje contrastivo, en las que se generan ejemplos positivos y negativos para aprender la similitud entre nodos o grafos.
Estos modelos de grafos auto-supervisados mejoran la generalización en diversas tareas como clasificación de nodos, predicción de enlaces o clasificación de grafos.