グラフ埋め込みは、グラフデータを低次元空間に表現し、グラフ解析を行うための効果的な手法です。既存の埋め込みアルゴリズムの多くは、通常、グラフデータのトポロジカル構造を保つことや再構築誤差を最小化することに焦点を当てていますが、これらの手法は、しばしば実世界のグラフデータにおいて劣った埋め込み結果をもたらす原因となるグラフからの潜在コードのデータ分布をほとんど無視しています。本論文では、新しい敵対的グラフ埋め込みフレームワークを提案します。このフレームワークは、グラフ内のトポロジカル構造とノード内容をコンパクトな表現にエンコードし、その上でデコーダーがグラフ構造を再構築するように訓練されます。さらに、潜在表現が事前分布と一致するよう、敵対的訓練スキームを通じて強制されます。堅牢な埋め込み学習のために、敵対的手法の2つのバリエーションである敵対的正則化グラフオートエンコーダ（Adversarially Regularized Graph Autoencoder: ARGA）と敵対的正則化変分グラフオートエンコーダ（Adversarially Regularized Variational Graph Autoencoder: ARVGA）を開発しました。実世界のグラフに対する実験研究により、我々の設計が検証され、提案したアルゴリズムがリンク予測、グラフクラスタリング、およびグラフ可視化タスクにおいてベースラインよりも大幅に優れていることが示されました。