Wir stellen Deep Graph Infomax (DGI) vor, einen allgemeinen Ansatz zur lernbasierten Darstellung von Knoten in graphstrukturierten Daten in einem unüberwachten Modus. DGI basiert auf der Maximierung der gegenseitigen Information zwischen Patch-Darstellungen und den entsprechenden hochstufigen Zusammenfassungen von Graphen – beides wird unter Verwendung etablierter Graph Convolutional Network (GCN)-Architekturen abgeleitet. Die gelernten Patch-Darstellungen fassen die um die jeweiligen Knoten zentrierten Teilgraphen zusammen und können daher für nachfolgende knotenbasierte Lernaufgaben wiederverwendet werden. Im Gegensatz zu den meisten bisherigen Ansätzen zum unüberwachten Lernen mit GCNs, stützt sich DGI nicht auf Ziele von Random Walks und ist direkt für sowohl transductive als auch inductive Lernszenarien anwendbar. Wir zeigen eine wettbewerbsfähige Leistung bei einer Vielzahl von Benchmarks für Knotenklassifikationen, die in manchen Fällen sogar die Leistung des überwachten Lernens übertrifft.