静的部分グラフからのノード埋め込み学習（NESS）を、従属学習（transductive）設定においてグラフオートエンコーダ（GAE）を用いて行うためのフレームワークを提示する。NESSの基本となる二つのキーポイントは以下の通りである：i) 学習用グラフを、データ前処理段階でランダムな辺分割を用いて、互いに辺が重複しない複数の静的かつスパースな部分グラフに分割すること、ii) 各部分グラフから学習されたノード表現を統合し、テスト時におけるグラフ全体の結合表現を獲得すること。さらに、従属学習設定においてオプションとして対照学習（contrastive learning）アプローチを提案する。実験により、全体のグラフまたは確率的（stochastic）な部分グラフを用いる従来のオートエンコーディング手法と比較して、NESSがリンク予測タスクにおいてより優れたノード表現を提供することが示された。また、広範なグラフ符号化器（graph encoder）に対して性能向上を確認し、辺の同型性比（edge homophily ratio）が強い非同型性から強い同型性まで多様な実世界データセットにおいて、リンク予測タスクで最先端（state-of-the-art）の結果を達成した。