Wir stellen den variationellen Graph-Auto-Encoder (VGAE) vor, einen Rahmen für das unüberwachte Lernen auf graphstrukturierten Daten, der auf dem Prinzip des variationellen Auto-Encoders (VAE) basiert. Dieses Modell nutzt latente Variablen und ist in der Lage, interpretierbare latente Darstellungen für ungerichtete Graphen zu erlernen. Wir demonstrieren dieses Modell unter Verwendung eines Graph-Convolutions-Netzwerks (GCN)-Encoders und einem einfachen inneren Produkt-Dekoder. Unser Modell erzielt wettbewerbsfähige Ergebnisse bei einer Link-Vorhersage-Aufgabe in Zitationsnetzwerken. Im Gegensatz zu den meisten bestehenden Modellen für das unüberwachte Lernen auf graphstrukturierten Daten und Link-Vorhersage kann unser Modell natürlicherweise Knotenmerkmale einbeziehen, was die Vorhersageleistung auf mehreren Benchmark-Datensätzen erheblich verbessert.