グラフ表現学習は、ノードの属性と構造情報を両方保存する普遍的なノード表現を学習することである。得られたノード表現は、ノード分類やノードクラスタリングなどの様々な下流タスクに利用できる。グラフが異種である場合、この問題は同種のグラフでのノード学習問題よりも難しくなる。情報理論に基づく新興の学習アルゴリズムに着想を得て、本論文では異種グラフ表現学習のために無教師グラフニューラルネットワーク「Heterogeneous Deep Graph Infomax（HDGI）」を提案する。我々はメタパス構造を使用して、異種グラフにおける意味論に関連する接続を分析し、グラフ畳み込みモジュールと意味レベルの注意機構を利用して局所表現を捉える。局所-全体相互情報の最大化により、HDGIは下流のグラフ関連タスクで利用可能な高次元のノード表現を効果的に学習する。実験結果は、HDGIが分類およびクラスタリングタスクにおいて最先端の無教師グラフ表現学習手法を著しく上回ることを示している。学習された表現をロジスティック回帰などのパラメトリックモデルに入力することで、最先端の監督型エンドツーエンドGNNモデルと比較してもノード分類タスクで同等の性能を達成することが可能となった。