Dans l'apprentissage auto-supervisé avec des représentations graphiques, un modèle est entraîné à apprendre des caractéristiques utiles des nœuds ou des graphes entiers, sans disposer d'étiquettes explicites.
Les méthodes typiques utilisent des tâches telles que la prédiction des nœuds voisins, la reconstruction de sous-graphes ou la distinction entre connexions réelles et falsifiées.
Les réseaux de neurones graphiques (GNN) sont souvent utilisés pour générer des embeddings riches des nœuds ou des graphes en agrégeant les informations du voisinage.
L'objectif est d'obtenir des représentations structurées et informatives qui peuvent être utilisées pour diverses applications telles que la classification, le clustering ou la prédiction de liens.