Nous présentons Deep Graph Infomax (DGI), une approche générale pour l'apprentissage de représentations de nœuds au sein de données structurées en graphes de manière non supervisée. DGI repose sur la maximisation de l'information mutuelle entre les représentations de patches et les résumés de haut niveau correspondants des graphes --- tous deux obtenus à l'aide d'architectures établies de réseaux de neurones convolutifs sur graphes (GCNs). Les représentations de patches apprises résument les sous-graphes centrés autour des nœuds d'intérêt et peuvent donc être réutilisées pour des tâches d'apprentissage basées sur les nœuds en aval. Contrairement à la plupart des approches précédentes d'apprentissage non supervisé avec GCNs, DGI ne s'appuie pas sur des objectifs basés sur des marches aléatoires et est facilement applicable aux configurations d'apprentissage transductif et inductif. Nous démontrons une performance compétitive sur divers基准测试（benchmarks）de classification de nœuds, qui parfois dépasse même celle de l'apprentissage supervisé. 注：在最后一句中，“基准测试”是“benchmarks”的中文翻译，但为了保持法语文本的专业性和流畅性，我选择直接使用“benchmarks”。如果需要进一步解释，可以将其替换为“tests de référence”。