L'embedding de graphe est une méthode efficace pour représenter les données de graphe dans un espace à faible dimension pour l'analyse des graphes. La plupart des algorithmes d'embedding existants se concentrent généralement sur la préservation de la structure topologique ou la minimisation des erreurs de reconstruction des données de graphe, mais ils ignorent souvent la distribution des données latentes issues des graphes, ce qui entraîne généralement une qualité inférieure d'embedding pour les données de graphe réelles. Dans cet article, nous proposons un nouveau cadre d'embedding de graphe adverse pour les données de graphe. Ce cadre encode la structure topologique et le contenu des nœuds d'un graphe en une représentation compacte, sur laquelle un décodeur est formé pour reconstruire la structure du graphe. De plus, la représentation latente est contrainte de correspondre à une distribution a priori grâce à un schéma d'entraînement adverse. Pour apprendre une représentation robuste, deux variantes d'approches adverses ont été développées : l'autoencodeur de graphe régularisé adversement (ARGA) et l'autoencodeur variationnel de graphe régularisé adversement (ARVGA). Les études expérimentales menées sur des graphes réels valident notre conception et montrent que nos algorithmes surpassent largement les méthodes de base dans les tâches de prédiction de liens, de clustering de graphes et de visualisation de graphes.