En el aprendizaje auto-supervisado con representaciones de grafos, se entrena un modelo para aprender características útiles de nodos o de grafos completos, sin disponer de etiquetas explícitas.
Los métodos típicos utilizan tareas como predecir nodos vecinos, reconstruir subgrafos o distinguir entre conexiones reales y falsificadas.
Las Redes Neuronales de Grafos (GNNs) se emplean frecuentemente para generar embeddings ricos de nodos o grafos mediante la agregación de información del vecindario.
El objetivo es obtener representaciones estructuradas e informativas que puedan ser utilizadas en diversas aplicaciones como clasificación, agrupamiento o predicción de enlaces.