تهدف التعلم غير المراقب للتمثيل الرسومي إلى استخلاص معلومات متعددة من الرسوم البيانية إلى تمثيلات متجهة كثيفة لا تعتمد على مهمة لاحقة معينة. ومع ذلك، تم تصميم الأساليب الحالية لتعلم التمثيل الرسومي بشكل رئيسي ضمن افتراض التجانس العقدوي: حيث تميل العقد المرتبطة ببعضها إلى امتلاك تسميات متشابهة، وتُحسّن الأداء في المهام اللاحقة التي تركز على العقد. ويبدو أن هذا التصميم يتعارض بشكل صريح مع المبدأ غير المُعتمد على المهمة، ويُعاني عادةً من أداء ضعيف في المهام التي تتطلب إشارات ميزات تتجاوز النظرة العقدوية والافتراض التجانسي، مثل تصنيف الحواف. لدمج إشارات الميزات المختلفة في التمثيلات، تُقدّم هذه الورقة طريقة جديدة للتمثيل الرسومي غير المراقب تُسمى PairE، والتي تستخدم زوجين من العقد كوحدة أساسية للتمثيل، بهدف الحفاظ على الإشارات عالية التردد بين العقد، مما يدعم المهام المرتبطة بالعقد والمهام المرتبطة بالحواف. وعليه، تم تصميم مُشفّر تلقائي متعدد ذاتي التدريب (multi-self-supervised autoencoder) لإنجاز مهام سابقة (pretext tasks) متعددة: إحداها تُحافظ على الإشارة عالية التردد بشكل أفضل، بينما تُعزز الأخرى تمثيل التشابه المشترك. وأظهرت التجارب الواسعة التي أُجريت على مجموعة متنوعة من مجموعات البيانات القياسية بوضوح أن PairE تتفوّق على أحدث الطرق غير المراقبة، مع تحقيق تحسن نسبي يصل إلى 101.1% في مهام تصنيف الحواف التي تعتمد على كل من الإشارات عالية التردد ومنخفضة التردد في الزوج، وتحقيق تحسن نسبي يصل إلى 82.5% في مهام تصنيف العقد.