Beim selbstüberwachten Lernen mit Graphrepräsentationen wird ein Modell darauf trainiert, nützliche Merkmale von Knoten oder ganzen Graphen zu lernen, ohne dass explizite Labels vorliegen.
Typische Methoden nutzen Aufgaben wie das Vorhersagen von Nachbarknoten, das Rekonstruieren von Teilgraphen oder das Unterscheiden von echten und verfälschten Verbindungen.
Graph Neural Networks (GNNs) werden häufig eingesetzt, um durch Aggregation von Nachbarschaftsinformationen reichhaltige Knoten- oder Graph-Embeddings zu erzeugen.
Das Ziel ist, strukturierte und informative Repräsentationen zu erhalten, die für verschiedene Anwendungen wie Klassifikation, Clustering oder Link Prediction genutzt werden können.