Les plongements de nœuds sont devenus une technique omniprésente pour représenter les données de graphe dans un espace à faible dimension. Les autoencodeurs de graphe, en tant que l'un des modèles profonds largement adoptés, ont été proposés pour apprendre des plongements de graphe de manière non supervisée en minimisant l'erreur de reconstruction des données de graphe. Cependant, leur perte de reconstruction ignore la distribution de la représentation latente, ce qui entraîne des plongements inférieurs. Pour atténuer ce problème, nous proposons une méthode basée sur les marches aléatoires pour régulariser les représentations apprises par l'encodeur. Nous démontrons que cette nouvelle amélioration surpassent les modèles existants d'avant-garde avec une marge importante (jusqu'à 7,5 %) pour la tâche de regroupement de nœuds, et atteint une précision d'avant-garde sur la tâche de prédiction de liens pour trois jeux de données standards : cora, citeseer et pubmed. Le code est disponible à l'adresse suivante : https://github.com/MysteryVaibhav/DW-GAE.