グラフ畳み込み表現（Graph Convolutional Representation, GCR）は、グラフデータの表現において優れた性能を達成しています。しかし、既存のGCRは一般的に入力された固定したグラフ上で定義されており、これにより表現能力が制限され、構造的な攻撃やノイズに対して脆弱であるという問題があります。この課題に対処するため、我々は堅牢なグラフデータ表現と学習のために新しい潜在的グラフ畳み込み表現（Latent Graph Convolutional Representation, LatGCR）を提案します。我々のLatGCRは、グラフ近傍再構成の観点からグラフ畳み込み表現を再定式化することに基づいて導出されました。入力グラフ$\textbf{A}$Aが与えられた場合、LatGCRは柔軟な潜在的グラフ$\widetilde{\textbf{A}}$Aを生成することを目指しており、これは明らかに表現能力を向上させるとともに、グラフの構造的な攻撃やノイズに対して堅牢に動作します。さらに、LatGCRは自己教師なし学習の方法で実装されており、監督ありおよび教師なしの両方のグラフ学習タスクにおける基本ブロックを提供します。複数のデータセットでの実験結果は、LatGCRの有効性と堅牢性を示しています。