Este artículo propone un nuevo marco de predicción de incrustación conjunta (JPEB-GSSL) para abordar la ineficiencia computacional, la dependencia de objetivos contrastivos y el colapso de la representación en el aprendizaje autosupervisado de grafos (SSL). Superamos las limitaciones de los métodos existentes (reconstrucción de características, muestreo de voz y dependencia de decodificadores complejos) y presentamos una arquitectura de predicción de incrustación conjunta sin contraste e invariante a la vista que preserva la información semántica y estructural sin objetivos contrastivos ni muestreo de voz. Además, introducimos un término objetivo semántico que integra pseudoetiquetas derivadas mediante modelos de mezcla gaussiana (GMM) para evaluar la contribución de las características latentes, mejorando así la discriminabilidad de nodos. Al aprovechar las relaciones de contexto único y de objetivos múltiples entre subgrafos, superamos los métodos SSL de grafos de última generación existentes en varios puntos de referencia. Esto proporciona un paradigma computacionalmente eficiente y resistente al colapso para combinar características de grafos espaciales y semánticos.
