Les approches traditionnelles d'apprentissage automatique sur les graphes impliquent souvent de les plonger dans des espaces euclidiens, en s'appuyant généralement sur des données annotées, qui peuvent être gourmandes en ressources et laborieuses à obtenir. Grâce à des paradigmes d'apprentissage auto-supervisés, nous visons à relever ces défis tout en améliorant l'interprétabilité des résultats du modèle. Les avancées méthodologiques envisagées joueront un rôle déterminant dans l’étude du bien-être animal en analysant des graphes hétérogènes qui capturent des modèles complexes de comportements des animaux.