Nous abordons le problème d'apprentissage de représentation pour les données de graphe. Les réseaux neuronaux convolutifs peuvent opérer naturellement sur les images, mais rencontrent des défis significatifs lorsqu'il s'agit de traiter les données de graphe. Étant donné que les images sont des cas particuliers de graphes dont les nœuds se situent sur des grilles 2D, les tâches d'embedding de graphe ont une correspondance naturelle avec les tâches de prédiction pixel par pixel des images, telles que la segmentation. Bien que des architectures encodeur-décodeur comme les U-Nets aient été appliquées avec succès à de nombreuses tâches de prédiction pixel par pixel des images, des méthodes similaires font défaut pour les données de graphe. Ceci est dû au fait que les opérations de pooling et d'échantillonnage inverse ne sont pas naturellement applicables aux données de graphe. Pour relever ces défis, nous proposons dans ce travail de nouvelles opérations de pooling (gPool) et d'échantillonnage inverse (gUnpool) spécifiques aux graphes. La couche gPool sélectionne adaptivement certains nœuds pour former un graphe plus petit en fonction de leurs valeurs de projection scalaire sur un vecteur de projection entraînable. Nous proposons également la couche gUnpool comme l'opération inverse de la couche gPool. La couche gUnpool restaure le graphe à sa structure originale en utilisant les informations positionnelles des nœuds sélectionnés dans la couche gPool correspondante. Sur la base de nos couches gPool et gUnpool proposées, nous développons un modèle encodeur-décodeur pour les graphes, connu sous le nom de graph U-Nets. Nos résultats expérimentaux sur les tâches de classification des nœuds et des graphes montrent que nos méthodes obtiennent une performance constamment supérieure à celle des modèles précédents.