Nous proposons une nouvelle architecture de réseau, les Réseaux d'Attention Gérée (GaAN), pour l'apprentissage sur les graphes. Contrairement au mécanisme traditionnel d'attention multi-têtes, qui utilise toutes les têtes d'attention de manière égale, GaAN utilise un sous-réseau de convolution pour contrôler l'importance de chaque tête d'attention. Nous démontrons l'efficacité de GaAN dans le problème de classification inductive des nœuds. De plus, en utilisant GaAN comme bloc de construction, nous construisons l'Unité de Récurrente Gérée par Graphes (GGRU) pour résoudre le problème de prévision de la vitesse du trafic. Des expériences approfondies sur trois jeux de données réels montrent que notre cadre GaAN obtient des résultats à l'état de l'art dans les deux tâches.