Graphen-neuronale Netzwerke (GNNs) erzielen gute Ergebnisse, wenn die Graphstruktur vorgegeben ist. In realen Anwendungen ist diese Struktur jedoch nicht immer verfügbar. Eine mögliche Lösung besteht darin, eine auf die Aufgabe zugeschnittene latente Struktur abzuleiten und anschließend ein GNN auf den abgeleiteten Graphen anzuwenden. Leider wächst der Raum möglicher Graphstrukturen super-exponentiell mit der Anzahl der Knoten, weshalb die auf die Aufgabe zugeschnittene Supervision oft unzureichend ist, um sowohl die Struktur als auch die GNN-Parameter zu lernen. In dieser Arbeit stellen wir SLAPS (Simultaneous Learning of Adjacency and GNN Parameters with Self-supervision) vor, eine Methode, die durch Selbstüberwachung eine stärkere Supervision für die Ableitung einer Graphstruktur bereitstellt. Eine umfassende experimentelle Studie zeigt, dass SLAPS große Graphen mit Hunderttausenden von Knoten effizient verarbeiten kann und mehrere zuvor vorgeschlagene Modelle, die eine auf die Aufgabe zugeschnittene Graphstruktur lernen sollen, auf etablierten Benchmarks übertrifft.