私たちは、グラフ構造データ内のノード表現を教師なしで学習するための一般的な手法であるDeep Graph Infomax（DGI）を紹介します。DGIは、確立されたグラフ畳み込みネットワークアーキテクチャを使用して導き出されるパッチ表現と、それに対応するグラフの高レベルな要約との間の相互情報量を最大化することに依存しています。学習されたパッチ表現は、関心のあるノードを中心とした部分グラフを要約し、したがって下流のノード単位の学習タスクに再利用することができます。既存の教師なしGCN（Graph Convolutional Networks）学習手法とは異なり、DGIはランダムウォーク目的関数に依存せず、推論的および帰納的な学習設定の両方に容易に適用できます。私たちは、さまざまなノード分類ベンチマークにおいて競合する性能を示しており、時には監督学習の性能を超えることもあります。