L'apprentissage auto-supervisé avec des graphes est une approche qui utilise les réseaux de neurones graphiques (GNN) pour apprendre des représentations significatives à partir de données graphiques non étiquetées.
Des tâches spécifiques sont construites, comme la prédiction des arêtes manquantes, la reconstruction des attributs des nœuds ou la comparaison de sous-graphes, afin d'entraîner le modèle.
Ces tâches dites prétextes permettent au modèle de capturer les informations structurelles et sémantiques du graphe, sans dépendre de données étiquetées.
Les méthodes typiques comprennent les approches d'apprentissage contrastif, où des exemples positifs et négatifs sont générés pour apprendre la similarité entre nœuds ou graphes.
De tels modèles graphiques auto-supervisés améliorent la généralisation sur diverses tâches telles que la classification de nœuds, la prédiction de liens ou la classification de graphes.