다양한 응용 분야에서 그래프 구조 데이터가 풍부하게 존재함에 따라, 그래프 표현 학습은 그래프에 대한 정보성 있는 벡터 표현을 탐색하는 효과적인 계산 도구로 부상하고 있다. 기존의 그래프 커널 기반 접근법은 일반적으로 주파수 기반이다. 즉, 그래프의 학습된 벡터 표현의 각 차원은 특정 유형의 부분 구조의 등장 빈도를 나타낸다. 그러나 미리 정의된 부분 구조의 등장 횟수를 세는 과정에서 높은 계산 비용이 발생한다. 또한 학습된 벡터 표현은 매우 희소하게 되어 내적(inner product)을 사용하는 것에 제약이 발생한다. 더불어, 값이 정수로만 가능하기 때문에 학습된 벡터 표현은 부드러운 공간에 존재하지 않게 된다. 최신 기술들은 더 나은 벡터 표현을 생성하기보다는 커널 함수를 변경함으로써 이러한 문제를 해결하려 한다. 그러나 이러한 방법들은 커널 기반 방법에만 사용 가능한 커널 행렬을 생성할 뿐, 벡터 표현을 필요로 하는 방법들과 호환되지 않는다. 다양한 구조와 크기를 가진 그래프에 대해 부드럽고 효과적인 벡터 표현을 학습하는 것은 여전히 도전적인 과제이다. 최근의 딥 오토에코더(deep autoencoder) 기술의 발전에 영감을 받아, 본 논문에서는 오토에코더가 그래프 표현 학습에 어떤 가능성을 지니는지 탐구한다. 비디오나 이미지와 달리 그래프는 일반적으로 크기가 다양하며, 오토에코더에 바로 적용하기 위한 준비가 되어 있지 않다. 따라서 본 연구에서는 그래프의 구조적 정보를 효율적으로 추출할 수 있도록, 소규모의 하위 그래프로 큰 그래프를 분해하는 새로운 프레임워크인 구분형 그래프 오토에코더(Discriminative Graph Autoencoder, DGA)를 제안한다. DGA는 그래프의 구조적 정보를 하위 그래프로부터 샘플링함으로써, 라벨에 따라 구분 가능한 정보를 유지하면서도, 낮은 차원의 부드럽고 정보성 있는 벡터 표현을 효율적으로 생성한다. 다양한 실-world 데이터셋과 응용 사례에 대한 광범위한 실험을 수행하여 DGA의 성능을 평가하였다. 실험 결과, 기존의 전통적 방법 및 최신 기술들과 비교해 DGA가 뛰어난 효율성과 효과성을 입증하였으며, 다양한 실제 응용 분야에서 유망한 성능을 보였다.