本文提出三种新的自监督辅助任务，利用图卷积网络（GCNs）进行多任务学习，显著提升图分类性能。研究分析了自我监督技术在图形数据中的应用，提出无监督自学习策略以改善模型学习能力，并综述了自监督学习在图数据中的方法及未来研究方向。实验结果表明，合理设计任务和整合机制可增强GCNs的普适性和稳健性。

本文探讨了无监督自学习对偶损失模型（SSCL）的理论基础，并提出了使用数据增强构建“正”偶对以优化输入空间对比度。通过与SNE对应，进一步提供了方法学指导并证明了使用域不可知增强与隐式偏见得到的潜在优势，同时证明了从SNE到t-SNE转换的适用性并在实验中取得了相应的优化效果。