Angesichts der Fülle an graphenstrukturierten Daten in verschiedenen Anwendungen ist die Graphenrepräsentationslernung zu einem effektiven rechnerischen Werkzeug geworden, um informativ ausgestattete Vektorrepräsentationen für Graphen zu ermitteln. Traditionelle Ansätze basierend auf Graphkernen sind in der Regel frequenzbasiert: Jede Dimension eines gelernten Vektorrepräsentationsvektors entspricht der Häufigkeit eines bestimmten Unterstrukturtyps. Diese Methoden erfordern jedoch einen hohen Rechenaufwand, um die Auftretenshäufigkeit vordefinierter Unterstrukturen zu zählen. Die resultierenden Vektorrepräsentationen sind zudem äußerst spärlich, was die Verwendung von Skalarprodukten unmöglich macht. Zudem befinden sich die gelernten Vektorrepräsentationen nicht in einem glatten Raum, da ihre Werte nur ganzzahlige Werte annehmen können. Die aktuellsten Ansätze versuchen, diese Herausforderungen durch eine Änderung der Kernfunktionen zu bewältigen, anstatt bessere Vektorrepräsentationen zu erzeugen. Sie können lediglich Kernel-Matrizen für kernelbasierte Methoden generieren und sind mit Methoden, die Vektorrepräsentationen erfordern, nicht kompatibel. Die effektive Lernung glatter Vektorrepräsentationen für Graphen verschiedener Strukturen und Größen bleibt daher eine herausfordernde Aufgabe. Angeregt durch die jüngsten Fortschritte in der Tiefe Autoencoder untersuchen wir in diesem Artikel das Potenzial von Autoencodern für die Lernung von Graphenrepräsentationen. Im Gegensatz zu Videos oder Bildern sind Graphen meist unterschiedlich groß und nicht direkt für Autoencoder geeignet. Daher schlagen wir einen neuartigen Rahmen, den sogenannten diskriminativen Graphen-Autoencoder (DGA), vor, um niedrigdimensionale Vektorrepräsentationen für Graphen zu lernen. Der Algorithmus zerlegt große Graphen in kleinere Untergraphen, aus denen strukturelle Informationen abgetastet werden. Der DGA erzeugt effizient glatte und informative Vektorrepräsentationen von Graphen, wobei gleichzeitig die diskriminativen Informationen gemäß den Labels erhalten bleiben. Umfangreiche Experimente wurden durchgeführt, um die Leistungsfähigkeit des DGA zu evaluieren. Die experimentellen Ergebnisse belegen die Effizienz und Wirksamkeit des DGA im Vergleich zu traditionellen und state-of-the-art-Verfahren anhand verschiedener realer Datensätze und Anwendungen, beispielsweise…