Graphen sind eine grundlegende Abstraktion zur Modellierung relationaler Daten. Allerdings sind Graphen in ihrer Natur diskret und kombinatorisch, was statistische und rechnerische Herausforderungen bei der Lernrepräsentation für maschinelles Lernen mit sich bringt. In dieser Arbeit schlagen wir Graphite vor, einen algorithmischen Rahmen für das unüberwachte Lernen von Repräsentationen über Knoten in großen Graphen unter Verwendung tiefer latenter Variablen-Generatormodelle. Unser Modell parametrisiert variationelle Autoencoder (VAE) mit Graph Neural Networks (GNN), und verwendet eine neuartige iterative Graphverfeinerungsstrategie, die auf niedrigrangigen Approximationen basiert, für das Decoding. Anhand einer Vielzahl synthetischer und Benchmark-Datensätze zeigt Graphite bessere Ergebnisse als konkurrierende Ansätze bei den Aufgaben der Dichteabschätzung, Link-Vorhersage und Knotenklassifikation. Schließlich leiten wir eine theoretische Verbindung zwischen dem Nachrichtenaustausch in Graph Neural Networks und der Mean-Field-Variationsinferenz her.